[发明专利]一种基于目标中心点的车辆多目标跟踪方法

说明书

本发明公开一种基于目标中心点的车辆多目标跟踪方法，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，本发明通过将两个模块集成在一个网络中，大大减少了计算量和运行时间，同时简化了基于跟踪的检测，基于跟踪的检测器可以直接提取该热图，并在关联多个帧中的目标时对它们执行联合推理。

技术领域

本发明涉及多目标跟踪技术领域，尤其涉及一种基于目标中心点的车辆多目标跟踪方法。

背景技术

随着计算机硬件技术和计算机视觉技术的发展，基于计算机视觉的交通监控系统成为可能，视频车辆的实时检测和跟踪是智能交通监控系统的核心部分。目前存在的检测和跟踪技术在复杂场景下、大范围、多目标的情况下，运动目标的跟踪效果并不理想，需要进一步的改善。由于卷积神经网络(简称CNN)的发展和应用，许多计算机视觉领域的任务得到了较大的发展，同时基于CNN的许多目标方法也被应用于解决多目标跟踪等问题。

现有的主流目标跟踪方法大多遵循tracking-by-detection的思路，使用目标检测算法将每帧中感兴趣的目标检测出来，得到对应的位置坐标、分类、可信度等指标，假设检测到的通过某种方式将上一步中的检测结果与上一帧中的检测目标一一关联起来。

发明内容

针对上述问题，本发明提出一种基于目标中心点的车辆多目标跟踪方法，主要提出一种新的跟踪模型结构，以点代物，同时进行检测和跟踪。通过在一个图像上执行检测，并结合先前帧的目标检测结果来估计当前帧的目标运动情况，在不要求很高计算资源的同时能达到简单、在线和实时。

本发明提供了一种基于目标中心点的车辆多目标跟踪方法，简化了传统跟踪方案的两个关键步骤：一是跟踪条件检测，因为过去帧中的每个对象都用单个点来表示，它的历史信息包含在它对应的热图中，模型可以从中直提取相关信息；二是跨时间的目标关联，类似稀疏光流的简单位移预测就可以把不同帧中的目标连接起来。位移预测基于先前的检测结果，它能够联合检测当前帧中的目标，并将它们与先前的检测结果相关联，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。

进一步改进在于，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。

进一步改进在于，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i∈{-30°,-15°,+15°,+30°}；

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。

进一步改进在于，所述步骤S2具体包括以下步骤：