[发明专利]一种基于机器视觉的前方车辆行为识别方法

说明书

本发明涉及一种基于机器视觉的前方车辆行为识别方法，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。本发明的一种基于机器视觉的前方车辆行为识别方法，应用在智能车辆上，能识别前方目标车辆的多种驾驶行为且具有良好的实时性和准确性。

技术领域

本发明属于机器视觉技术领域，涉及一种基于机器视觉的前方车辆行为识别方法，应用在智能车辆上，能识别前方目标车辆的多种驾驶行为且具有良好的实时性和准确性。

背景技术

随着智能技术的发展与人们对出行方式越来越高的要求，智能车辆成为当前的研究热点之一。智能车辆对前方车辆的检测、跟踪与行为识别可以给智能车辆提供实时的道路环境信息，并识别目标车辆的驾驶意图，让智能车辆的决策控制层可以针对当前道路环境做出合适的规划和避障动作，减少交通事故的发生，具有重要意义。

前方车辆检测是车辆跟踪和意图识别的首要环节。在车辆检测方面，传统的方法包括根据外观特征的检测方法和背景差分法等，但仅适用于摄像机固定视角或静态视频检测，检测环境受限。近年来，该领域大多利用梯度方向直方图(Histogram of OrientedGradient，HOG)和haar-like等特征基于神经网络或机器学习的方法进行检测，但此类方法计算复杂，难以兼顾实时性和准确性。

目标车辆跟踪方面，常用的有Kalman滤波器和mean-shift等传统跟踪算法、深度学习方法以及基于相关滤波的方法来承接车辆检测结果，实现目标跟踪，并连接车辆行为识别模块。传统跟踪方法的跟踪准确率会受视频图像中遮挡、背景干扰和光照变化等因素影响，从而出现目标丢失、跟踪失败等情况，稳定性较差。基于深度学习如SiamFC算法、循环神经网络(RNN)、卷积神经网络(CNN)等对目标信息建模，具有较高的跟踪准确率，但实时性还有待提升。基于相关滤波的方法如基于核相关滤波算法和TLD跟踪算法等，实时性较好，但未能解决目标遮挡与尺度改变等问题。

车辆行为识别部分，常用如BP神经网络、隐马尔科夫模型(HMM)、支持向量机(SVM)、随机森林决策法、贝叶斯网络等方法对智能车周围车辆的驾驶意图以及驾驶行为进行判断和识别。上述方法各有优势，但对车辆长期行为识别的准确率均较差。随着相关技术发展，基于深度学习的行为识别方法具有更好的识别效果。其中，长短期记忆网络(LSTM)是一种基于时间循环的神经网络，用递归方式处理序列数据并提取时序特征，更适用于车辆的行为识别。

发明内容

本发明的目的是解决现有技术中存在的上述问题，提供一种基于机器视觉的前方车辆行为识别方法。为了增加车辆行为识别的准确率，本发明在车辆检测步骤改进tiny-YOLOv3算法，把原有算法的特征提取网络改进为基于Inception模块，拓展网络宽度并改进提取特征的能力，同时搭建特征金字塔网络，利用上采样方法融合高层特征与低层特征，把改进检测网络的尺度增加到3个，给较小检测目标分配更适合的检测尺度；为解决前方车辆被遮挡时跟踪效果不好的问题，在车辆跟踪步骤基于KCF算法(核相关滤波算法)，若出现遮挡时，利用Kalman滤波算法预测被挡车辆位置，并用匈牙利匹配算法实现复杂环境下的多个车辆目标长期跟踪。为了在提高识别准确率的同时兼顾实时性，构建LSTM(长短时记忆网络)对目标车辆进行行为识别。

为达到上述目的，本发明采用的技术方案如下：