[发明专利]一种基于目标中心点的车辆多目标跟踪方法

权利要求书

1.一种基于目标中心点的车辆多目标跟踪方法，其特征在于，包括以下步骤：

S1、获取车辆跟踪数据集，并对所述车辆跟踪数据集进行图像增强；

S2、搭建车辆检测模型，并设置超参数，通过所述车辆跟踪数据集对所述车辆检测模型进行预训练；

S3、从所述车辆检测模型中拷贝所有权重，并在原有的车辆检测模型基础上加4个输入通道和2个输出通道，再训练生成车辆跟踪模型；

S4、将视频流输入所述车辆跟踪模型中，得到车辆多目标跟踪的结果。

2.根据权利要求1所述的一种基于目标中心点的车辆多目标跟踪方法，其特征在于，所述车辆跟踪数据集包括MOT、KITTI和nuScenes，且按照6:2:2的比例将所述车辆跟踪数据集分为训练集、测试集和验证集。

3.根据权利要求1所述的一种基于目标中心点的车辆多目标跟踪方法，其特征在于，所述图像增强包括以下至少一种方法：

1)将所述车辆跟踪数据集中的训练图I^H按照不同角度旋转并生成四张子图，所述子图记为

2)将所述车辆跟踪数据集中的训练图I^H进行尺寸变换，尺寸变换后的子图记为

3)将所述车辆跟踪数据集中的训练图I^H用逐像素的二值分割，二值分割后的子图记为字符计数值为C。

4.根据权利要求1所述的一种基于目标中心点的车辆多目标跟踪方法，其特征在于，所述步骤S2具体包括以下步骤：

S21、将所述车辆跟踪数据集中的训练图裁剪为906×554的分辨率格式后输入所述车辆检测模型，设置超参数假阳性率为λ_fp＝0.1，假阴性率为λ_fn＝0.4，置信度阈值为θ＝0.4，热图渲染阈值为τ＝0.5；

S22、选用deformable卷积作为上采样卷积跳跃连接所述车辆检测模型的低层和输出层，选择步长为4，批处理大小为12，并用Adam优化器训练30轮，前20轮学习率设为le-4，后10轮由le-5递减为le-6，并采用focal loss作为损失函数：

S23、在下采样的图像图中将ground truth point以的形式，并用一个高斯核将关键点分布到特征图上，根据目标大小调整高斯参数进行模糊处理；

S24、将热图上的所有响应点与其连接的8个临近点进行比较，若改点响应值大于或等于所述8个临近点值则保留，最后保留满足条件的前N个峰值点，得到分辨率为240x136的包含目标中心点的热图。

5.根据权利要求4所述的一种基于目标中心点的车辆多目标跟踪方法，其特征在于，所述步骤S24还包括：

为了降低误报概率，只对检测结果中得分高于预定阈值的目标进行渲染。

6.根据权利要求1所述的一种基于目标中心点的车辆多目标跟踪方法，其特征在于，所述步骤S3具体包括以下步骤：

S31、从所述车辆检测模型中拷贝所有权重，且保持基本超参数不变，在原有的车辆检测模型输入部分增加上一帧的图像和生成的热图，输出部分增加一个当前帧中目标中心点对上一帧中心点的二维偏移向量；

S32、并添加2个额外的输出通道，所述额外的输出通道用于预测二维偏移向量，描述的是各对象在当前帧中的位置相对于其在前一帧图像当中的位置的位移，目的是在能够在时间上建立起检测目标之间的联系；

S33、根据生成的热图的中心点画出目标边界框，使用贪婪匹配策略将当前帧的对象与前一帧的对象建立起联系，若成功匹配则继承上一帧对象的ID，若匹配不成功则为目标分配一个新ID。

7.根据权利要求6所述的一种基于目标中心点的车辆多目标跟踪方法，其特征在于，所述步骤S3还包括：

在前一帧的预测结果上，对各个检测目标点进行高斯扰动，设置超参数λ_ft＝0.05，来模拟目标定位错误的情况；

以及在ground truth目标中心附近以一定概率随机渲染出一些虚假的峰值，设置超参数λ_fp＝0.1，来模拟误检的情况；

并以预定概率，随机去除掉部分检测结果，设置超参数λ_fn＝0.02，来模拟漏检的情况。