[发明专利]基于重识别的车辆多目标检测和轨迹跟踪方法

说明书

一种基于重识别的车辆多目标检测和轨迹跟踪方法，属于计算机视觉技术和视频监测领域。首先，利用车辆重识别技术训练出可以有效提取每条轨迹上车辆视觉特征的模型；然后，对摄像头中的每一帧图像进行车辆检测；最后，结合重识别模型所提取的车辆外观特征，融合运动预测和视觉相似度判别，执行单摄像头多目标追踪，以获得所有匹配上车辆的行驶轨迹。本发明在跟踪方面成功实现了前后两帧图像的多目标匹配，有效地处理了跟踪目标遮挡的问题，并且针对多视角可能带来的算法检测性能的不稳定，采用重识别技术提取了多角度摄像头拍摄的车辆图像的外观特征，融入跟踪方案当中，实现了跟踪目标丢失后重新出现的再识别，进一步提高了轨迹追踪的能力。

技术领域

本发明涉及计算机视觉技术和视频监测领域。

背景技术

近年来，与视觉相关的研究正在全世界进行着飞速地发展。在很多文献中，将计算机视觉和机器视觉两个课题融为一体进行考虑，但其实两者既有区别也有联系。机器视觉主要侧重于对量的分析，例如通过视觉测量铁路道岔缺口。计算机视觉的研究重点则是协助实现对三维场景的感知，对客观世界的认识和理解。它通常结合使用多种智能技术，并利用复杂的知识表达方式，使用启发式的搜索和匹配技术控制策略。计算机视觉强调对理论算法的研究，主要是对质的分析，例如进行语义分割和人员入侵等的行为分析。

在计算机视觉中，多目标检测和跟踪是其重要的研究内容之一。其中，针对车辆的检测和跟踪在智能视频领域更是有着广泛的应用。常规的多目标跟踪通常通过在相对有限的区域中使用单个摄像机来对目标轨迹进行追踪。但是，在许多智能交通和监测系统中，通常需要在彼此相距较远的不同的摄像头下识别目标，多目标跨镜检测和跟踪问题也因此受到人们的关注。近年来，由于拍摄角度的变化、遮挡、车辆快速移动以及复杂的道路结构等，在多摄像头之间进行车辆匹配的跟踪解决方案还很缺乏。

车辆的多目标单摄像头跟踪在近年来有较快的发展，针对其中检测和跟踪两个问题的研究更是每年剧增。传统的基于图像特征的车辆检测技术很多是基于背景建模的。针对日益复杂的实际场景，很多研究在尝试构造具有自适应性的、鲁棒性好的检测算法。随着研究的推进，出现了大量的聚类、估计、统计、模糊、稀疏以及鲁棒子空间等背景模型。后来，另外一类应用范围广，不受场景限制的检测方法——基于前景目标建模的目标检测方法日渐受到人们的重视，该方法采用一种通用的框架，即利用数据图像的特征表达加分类器的结构，来有效地对目标空间进行表征和区分。在特征表达方面，车辆检测通常使用显著的视觉特征、变换系数特征和统计特征。例如最初Lowe提出的尺度不变特征(SIFT)，它通过获取特定关键点附近的梯度信息来对目标进行描述；还有之后提出的加速鲁棒特征(SURF)，它可以达到较SIFT快3倍的速度进行特征点匹配。近年来，基于学习的特征表达以其检测精度高和鲁棒性强的优点日渐流行，基于深度学习的特征更是层出不穷，其中运用最广泛的是基于卷积神经网络(CNN)的表达。Girshick等提出了基于区域的卷积神经网络(R-CNN)，显著地提高了原始的目标检测性能。在此基础上后续工作进行了改良，创造性地采用卷积网络完成候选区域生成、特征提取以及分类和回归的所有任务，提出了在效率和准确率上得到进一步提高的Faster R-CNN。随后提出的YOLO及其各种增强版本更是进一步采用了端到端的网络结构，并且显著解决了DL检测当中速度的问题，YOLOv3在Pascal Titan X上运行速度可以达到45fps。