[发明专利]一种基于图像系统的车辆特征深度学习识别轨迹跟踪方法

说明书

本发明提出了一种基于图像系统的车辆特征深度学习识别轨迹跟踪方法。本发明系统用包括：道路监控摄像头、计算处理主机、显示屏。本发明方法首先对摄像头采集到的图像进行深度学习算法目标识别，得到原始图像车辆目标边框数据集，然后对原始图像进行空间投影变换，得到投影图像车辆目标边框数据集，并利用卡尔曼滤波和匈牙利算法对投影图像车辆目标进行关联，进而生成投影图像车辆目标轨迹。本发明提出了一种可地面安装的、利于卡尔曼滤波对目标运动建模的车辆跟踪方法。

技术领域

本发明属于车辆检测技术领域，特别是涉及一种基于图像系统的车辆特征深度学习识别轨迹跟踪方法。

背景技术

随着车辆识别技术的迅速发展，特别是基于图像深度学习的车辆识别技术成为主流，多目标跟踪领域也扩展了新的设计流程。通常而言，基于图像深度学习的多目标跟踪技术大致分为两步骤：首先利用目标识别算法识别提取目标信息，然后利用卡尔曼滤波和数据关联技术对视频连续帧下目标边界框进行关联匹配，从而达到目标跟踪目标的目的。然而此类流程应用场景拍摄的视频资料经常是斜视视角下的拍摄视频，这种情况下导致视频中的目标运动状态受到拍摄距离的远近而增加了目标运动速度的不确定性，同时使用卡尔曼滤波需要对目标运动状态进行建模，对于斜视视角下的目标运动状态由于其将难以评估其运动状态进而建模，发明专利CN110675431B和发明专利申请CN112098993A、CN112070807A在应用卡尔曼滤波时均未注意应用场景目标建模状态，发明专利CN110673620B、CN110706266B和发明专利申请CN112132862A利用无人机从高空视角下对目标轨迹进行跟踪，然而无人机的飞行条件有限，且不利于推广。

发明内容

为了解决上述技术问题，本发明提出一种基于图像系统的车辆特征深度学习识别轨迹跟踪方法。

本发明系统的技术方案为一种基于图像系统的车辆特征深度学习识别轨迹跟踪系统，其特征在于，所述系统装置包括：

道路监控摄像头，用于高位采集路段车辆图像数据；

计算处理主机，用于处理摄像头采集到的视频序列图像，包括车辆识别、轨迹跟踪和轨迹生成过程；

显示投影装置，用于显示车辆图像识别结果和轨迹生成结果；

所述道路监控摄像头，安装于道路上方中间位置，摄像头拍摄视角面向道路平面，摄像头拍摄中心线与道路平面夹角为θ；

所述的基于图像系统的车辆特征深度学习识别轨迹跟踪方法，其特征在于，包括以下步骤：

步骤1：利用摄像头拍摄道路原始图像视频序列，形成原始图像序列数据集，对原始图像序列每帧图像进行图像投影变换，投影面与道路平面平行，使图像中的道路车道线平行且车辆大小同处于高空视角水平，形成投影图像序列数据集。

步骤2：引入YOLOv5深度学习网络模型，使用VOC数据集训练网络模型，识别原始图像序列中的车辆目标，得到原始图像序列车辆目标识别边框集合。将原始图像序列车辆目标识别边框集合中的车辆目标识别边框坐标进行投影变换，形成投影图像序列车辆目标识别边框集合。

步骤3：从投影图像序列车辆目标识别边框集合中的第一帧图像开始，进行一下处理过程：对前一帧车辆目标边界框应用卡尔曼滤波，得到当前帧的车辆目标估计边框集合，使用匈牙利关联算法对当前帧的车辆目标识别边框集合和车辆目标估计边框集合中的同一车辆目标进行关联匹配。直到投影图像序列结束为止；

步骤4：计算关联后的投影图像序列车辆目标识别边框集合中的车辆目标识别边框的中心坐标，对不同帧中属于同一车辆目标识别边框中心进行连接，生成车辆目标轨迹，并将其转换成实际场景真实道路轨迹线。

所述的基于图像系统的车辆特征深度学习识别轨迹跟踪方法，其特征在于，包括以下步骤：