[发明专利]一种基于Yolo_v4算法的目标检测与跟踪方法

说明书

本发明公开了一种基于Yolo_v4算法的目标检测与跟踪方法，包括以下步骤：制作完成数据集；对带有标注的图像数据集进行训练，得到最佳模型参数；将训练好的模型部署于服务器，搭载在客户端机器人车身的视觉传感器不断采集场景图像，并通过局域网传输至服务器；经过训练后的算法识别输入侧图像中待跟踪物体的像素坐标，并输出像素坐标点，局域网传输至客户端机器人；机器人根据单孔相机模型与相关传感器采集的深度值，计算待跟踪物体相对于摄像头中心的相对角度，根据该角度进行下一步路径运动动作。本发明能在复杂场景下精确的完成对目标体的识别和对机器人运动方向的控制，并通过算法远端部署，减少机器人侧计算压力。

技术领域

本发明涉及计算机视觉与机器人导航技术领域，具体涉及一种基于Yolo_v4算法的目标检测与跟踪方法。

背景技术

得益于5G技术，神经网络，计算机视觉等研究邻域的突飞猛进，机器人理论与应用再次成为研究的热点近年来，由于机器人技术的高速发展，使得机器人进入了我们生活中的方方面面，改变了我们的生活方式。当机器人加上视觉传感器实现目标跟踪功能，可以使得机器人的应用更加的广泛，可以完成更为复杂的任务，例如应用于服务业的各种服务型机器人、应用于物流管理的仓储机器人、应用于军事领域的巡逻机器人等，都可以为我们的生活带来更多的便利。

环境感知是指机器人对周围环境的信息采集与预处理，对智能机器人后端决策有着举足轻重的作用，智能机器人依靠丰富的传感器感知环境信息，并将相关的环境信息用于算法级的融合，得到有关机器人自身状态和周围环境的综合信息，进而作为控制决策的输入。

轮式机器人因具有比人力更灵活、可靠且易于安装维护等优点，近年来在工厂中被大量应用于自主快速运输，达到节约制造成本的目的。视觉跟踪技术作为其中的关键一环，发展引起了业界的高度重视。

传统的轮式机器人视觉跟踪算法以连续视频帧为对象，提取目标特征后，根据视频帧序列的上下文信息，利用灰度特征、颜色特征、梯度特征以及纹理特征等人工特征等定位目标，目标严重遮挡之后自动切换为卡尔曼滤波算法定位目标，算法在一定程度上解决了目标遮挡导致的跟踪失败问题，但采用传统模型的算法在一般场景下，跟踪精度不高，融合多个特征之后虽然能够一定程度上提高传统模型算法的跟踪精度，但对于目标出镜头、严重遮挡等复杂环境下跟踪效果不佳。

而随着深度学习研究的发展，通过深度学习来实现机器人目标识别跟踪愈发成为主流，深度学习模型具有高层特征更抽象、低层特征更细粒的特点使其对特征表达更为丰富。

在复杂场景中，基于深度学习模型的跟踪算法比基于传统模型的跟踪算法精度更高，目前主流目标检测算法分为One-stage和Two-stage两种，Two-stage的主要代表为R-CNN及其衍生的一系列算法，它首先用选择性搜索或RPN网络生成候选区域，再把候选区域输入卷积网络做分类或者回归，检测一幅图像需要同时运算两个网络，不仅参数众多，运行速度也很难提升；相比于R-CNN等算法而One-stage只需要一个网络就能够完成端到端的目标的检测任务。

发明内容

本发明的目的是在节省成本且保证可靠的前提下，提供了一种基于Yolo_v4算法的目标检测与跟踪方法。本发明应用Yolo_v4算法模型，将目标检测问题中的边框定位和分类融合为一个回归问题，并通过局域网传输至服务器交由算法进行目标识别，根据算法识别结果解算坐标，控制机器人运动方向从而实现目标跟踪。输入图像数据后就可以检测出所有物体类别和位置，且速度较快，适合实时监测场景。同时本发明将Yolo_v4算法模型部署于服务器端，缓解机器人端算法计算压力，并设计合理的跟踪策略对目标的轨迹进行跟踪，提高了移动机器人跟踪的稳定性和准确性，具有较大的应用价值使用视觉传感器实时采集图像数据。

本发明至少通过如下技术方案之一实现。

一种基于Yolo_v4算法的目标检测与跟踪方法，包括以下步骤：

步骤S1、制作完成数据集；