[发明专利]一种基于机器视觉的前方车辆行为识别方法

权利要求书

1.一种基于机器视觉的前方车辆行为识别方法，其特征在于：首先采用改进的tiny-YOLOv3算法进行前方车辆检测，当检测到目标车辆后，再基于KCF算法、Kalman滤波算法与匈牙利匹配算法对目标车辆进行跟踪，最后根据前方车辆检测与跟踪结果构建LSTM，对前方车辆进行行为识别；

改进的tiny-YOLOv3算法是指将tiny-YOLOv3算法的特征提取网络改进为Inception模块，构建特征金字塔网络，并将检测尺度增加到3个。

2.根据权利要求1所述的一种基于机器视觉的前方车辆行为识别方法，其特征在于，所述采用改进的tiny-YOLOv3算法进行前方车辆检测具体包括如下步骤：

(1)将tiny-YOLOv3算法的特征提取网络改进为Inception模块；

(2)搭建特征金字塔网络，利用上采样方法使卷积网络中高层特征与低层特征融合，同时把改进tiny-YOLOv3算法的检测尺度增加到3个；

(3)经离线训练得到合适的模型后，在实时检测阶段，把多个候选框分配给划分好的单元格，采用候选框预测目标检测框，则有：

b_x＝σ(t_x)+c_x；

b_y＝σ(t_y)+c_y；

式中b_x、b_y、b_w和b_h分别为检测框中心的横坐标和纵坐标以及检测框的宽和高；c_x和c_y分别为待检测目标中心所在单元格相对图像左上角的横向与纵向偏移；p_w和p_h分别为候选框的宽和高；e为自然指数；σ为sigmoid激活函数；t_x和t_y为预测的边框的中心点坐标，即经过sigmoid激活函数输出0到1之间的偏移量，分别与c_x和c_y相加后得到检测框中心点的位置；t_w和t_h为预测的边框的宽和高，分别与p_w和p_h作用后得到检测框的宽和高。

3.根据权利要求2所述的一种基于机器视觉的前方车辆行为识别方法，其特征在于，所述合适的模型指训练检测网络直到满足训练设置的最大迭代次数或损失函数值低于阈值时终止训练，并保存网络权重得到的模型。

4.根据权利要求3所述的一种基于机器视觉的前方车辆行为识别方法，其特征在于，KCF算法采用循环偏移采样的方式构建训练样本。

5.根据权利要求4所述的一种基于机器视觉的前方车辆行为识别方法，其特征在于，首先采用基于KCF响应值的遮挡检测方法对被遮挡的候选区域的响应值进行分析，判别目标车辆是否被遮挡；若被遮挡，用Kalman滤波算法预测被遮挡车辆位置，实现对被遮挡车辆的跟踪；然后利用匈牙利匹配算法匹配当前帧的车辆检测结果与前一帧的车辆跟踪与预测结果；最后对于Kalman滤波算法的预测结果，若无法与下一次检测的结果匹配，则认为超出预测极限，目标消失；若匹配到车辆目标，则对预测结果进行更新。

6.根据权利要求5所述的一种基于机器视觉的前方车辆行为识别方法，其特征在于，利用匈牙利匹配算法匹配当前帧的车辆检测结果与前一帧的车辆跟踪与预测结果，匹配关系式为：

式中，d为车辆跟踪结果与检测结果之间的质心距离，i为配对数量，m表示最大匹配数，D_i和T_i为第i对的跟踪与检测结果，Min为取最小值函数。

7.根据权利要求5所述的一种基于机器视觉的前方车辆行为识别方法，其特征在于，将前方车辆检测与跟踪结果作为LSTM的输入，构建车辆行为识别网络模型，处理并分析时序信息，进行行为分类识别。

8.根据权利要求7所述的一种基于机器视觉的前方车辆行为识别方法，其特征在于，所识别的前方车辆行为包含直行、左变道、右变道、左切入、右切入、左转弯和右转弯。