[发明专利]一种基于YOLOv4的多目标车辆检测跟踪方法

说明书

本发明公开了一种基于YOLOv4的多目标车辆检测跟踪方法，首先，通过k‑means聚类算法优化anchor box的预测，以便YOLOv4更加适应车辆数据集的要求；其次，改进了YOLOv4的目标检测网络，有效提高了检测精度；最后，采用卡尔曼滤波和匈牙利算法解决预测结果和跟踪结果之间的数据关联问题，将目标运动信息和表观信息结合作为总的关联代价，有效减少了ID Switch现象。本发明不仅提高了复杂场景中对多目标和弱小目标检测的准确率，还提高了目标跟踪算法的鲁棒性以及适应性。

技术领域

本发明涉及目标跟踪技术领域，具体涉及一种基于YOLOv4的多目标车辆检测跟踪方法。

背景技术

目标检测和跟踪是计算机视觉领域的热点问题，在智能视频监控、智慧交通、机器人视觉导航航以及军事制导等方面具有重要意义。近年来，随着深度学习的不断发展，卷积神经网络被广泛地应用到目标检测与跟踪上，衍生出了不少采用深度学习网络的跟踪算法，在目标检测与跟踪领域取得了极大的成功。

目前目标检测算法一般分为四个步骤：第一步，目标检测，使用目标检测网络选取出目标边界框；第二步，提取特征，通过建立表观特征提取网络提取出目标的表观信息和运动信息，然后预测目标下一帧的位置；第三步，通过关联矩阵求相似度，利用表观特征和位置特征计算关联矩阵，然后求出前后两帧目标的相似度；第四步，目标匹配，将当前帧检测到的目标和已追踪到的目标进行关联，关联成功后为其分配相同的ID。

发明内容

针对现有技术中的缺陷，本发明提供了一种基于YOLOv4的多目标车辆检测跟踪方法，克服了目标跟踪中多目标和弱小目标错检漏检的问题，提高了目标跟踪算法的鲁棒性以及适应性。

为了解决上述技术问题，本发明提供了以下技术方案：

一种基于YOLOv4的多目标车辆检测跟踪方法，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。

进一步地，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。

进一步地，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；