[发明专利]一种基于YOLOv4的多目标车辆检测跟踪方法

权利要求书

1.一种基于YOLOv4的多目标车辆检测跟踪方法，其特征在于，包括以下步骤：

S1:通过k-means聚类算法产生anchor box，anchor box在单层目标检测算法中被广泛用于设置bounding box初始尺寸，因为anchor box优于其他非监督学习算法；

S2:改进了YOLOv4的目标检测网络，在原有的YOLOv4三个尺度特征融合的基础上继续增加尺度，增加为四种不同尺度的特征图；

S3:通过改进的YOLOv4目标检测网络对视频帧进行车辆检测，获得所有检测到的目标车辆框Detection boxes；

S4:通过卡尔曼滤波器对目标车辆检测框中的车辆进行状态预测，获得对应的目标跟踪框track boxes；

S5:利用所有Detection boxes和Track boxes之间的运动相似度以及表观相似度,构建Detection boxes和Track boxes之间的代价矩阵；

S6:根据匈牙利算法对关联成本代价矩阵中的关联代价进行关联匹配，计算前后两帧之间的匹配程度，进而确定跟踪结果，为每个对象分配目标的ID，实现多目标车辆检测。

2.根据权利要求1所述的一种基于YOLOv4的多目标车辆检测跟踪方法，其特征在于，所述步骤S1通过k-means聚类算法产生anchor box具体包括以下步骤：

S1.1:获得数据集上的目标真实的边界框；

S1.2:k-means算法随机选取k个边界框作为聚类头来初始化归一化过程，然后围绕最近的质心重新分配聚类，并根据一定的阈值进行更新，直到收敛产生k个anchor box。

3.根据权利要求1所述的一种基于YOLOv4的多目标车辆检测跟踪方法，其特征在于，所述步骤S2改进了YOLOv4的目标检测网络，具体包括以下步骤：

S2.1:修改YOLOv4的主干网络CSPDarknet-53，再增加一个特征层，使CSPDarknet-53有四个特征层；

S2.2:将最后一层特征层输入到SPP结构中进行四次最大池化操作，最大池化的池化核大小分别为13x13、9x9、5x5、1x1；

S2.3:将四个特征层的输入到PANet结构中实现从上到下的特征提取和从下到上的特征提取；

S2.4:最后利用YOLOHead对获得的特征进行预测。

4.根据权利要求1所述的一种基于YOLOv4的多目标车辆检测跟踪方法，其特征在于，所述步骤S5利用所有Detection boxes和Track boxes之间的运动相似度以及表观相似度,构建Detection boxes和Track boxes之间的代价矩阵具体包括以下步骤：

S5.1:使用平方马氏距离度量Track boxes和Detection boxes之间的距离，来计算两者之间的相似度，其具体公式为：

代表第j个Track boxes，代表第i个Track boxes，代表d和y的协方差；

公式（2）是一个指示器，比较的是马氏距离和卡方分布的阈值，，通过阈值衡量Detection boxes与Track boxes的匹配程度；

S5.2:使用consine距离来度量表观特征之间的距离，其计算公式如下：

计算的是余弦相似度，余弦距离=1-余弦相似度，通过cosine距离来度量Trackboxes的表观特征和Detection boxes对应的表观特征，公式（4）也是一个指示器；

S5.3:利用运动目标相似度和表观相似度加权得到关联代价矩阵，公式如下：

其中是一个超参数，默认为0。