[发明专利]基于无人机的车辆跟踪方法

说明书

本发明提供一种基于无人机的车辆跟踪方法，涉及车辆跟踪技术领域。本方法使用深度学习方式检测出视频中的车辆，对视频帧的图像中车辆信息进行提取；计算得到目标车辆所在图像位置，计算预测下一帧目标车辆所在区域。采用该区域检测得到的车辆图像与目标车辆进行相似度对比，采用感知哈希算法使用汉明距离进行相似度对比和直方图颜色特征值和局部直方图特征值使用巴氏距离公式进行相似度对比，最后采用合适权重对感知哈希、直方图颜色特征以及局部直方图特征相似度对比值进行打分，筛选出得分最高的为跟踪目标车辆。本发明能够合理准确的对无人机拍摄视频中的车辆进行跟踪，该发明的优点为减少成本、速度快、准确度高。

技术领域

本发明涉及车辆跟踪技术领域，尤其涉及一种基于无人机的车辆跟踪方法。

背景技术

Yolo系类算法在视觉领域是比较流行的目标检测算法，它的创新点是将候选区域和对象识别这两个阶段融合一体，使算法的结构简单，提高目标检测速度。Yolov3算法是Yolo系类的第三个版本，它的优点采用了回归思想，输入端直接把整张图片放入网络，输出端输出回归预选框的类别和位置，使用一个神经网络就实现了端到端的目标检测。Yolov3的网络结构是借鉴了ResNet残差网络结构，它使用了多尺度特征进行目标检测、预测分类用多个Logistic loss取代了Softmax loss，可以将单标签分类改进为多标签分类。Yolo系列算法在生活、医疗和安全等方面越来越重要，它的优点是方便和计算速度快，成本较低等优点。优化Yolov3算法的中心思想是采用深度学习的方法，对无人机视角下的车辆图片进行采集，制作成数据集。使用该数据集训练出车辆模型。改进Yolov3算法的损失函数和融合卷积层和BN层，使用改进模型对车辆进行检测。使对车辆检测精度与速度提高。

车辆跟踪最早是利用激光雷达、地磁感应原理和人工干预等手段，进行周围车辆的跟踪。目前基于计算机视觉领域的车辆跟踪方法，首先是采用检测的车辆位置估算车辆接下来的行驶状态，或者采用建立模型来估算车辆接下来的位置，从而进行车辆的跟踪和预判。这样检测和跟踪的方式，大大降低了视频流中每帧车辆检测的耗时，避免了全局搜索。常用的目标生成式跟踪方法有卡尔曼滤波、粒子滤波、均值漂移跟踪等；常用的目标判别式跟踪方法有TLD、相关滤波的跟踪以及基于深度学习的跟踪方法。虽然，以上算法对车辆跟踪都具有一定的效果，但是，由于是基于无人机对车辆跟踪，车辆在视频中的形状和运动状态导致以上算法对车辆跟踪精度不高。

发明内容

针对现有技术存在的不足，本发明提出了一种基于无人机的车辆跟踪方法，针对现有的车辆跟踪算法在对无人机视角下，对车辆跟踪精度不高问题，提出了把Yolov3算法对车辆检测作为车辆跟踪的特征提取部分，融合到车辆跟踪，提高车辆跟踪的精确度。为解决上述技术问题，本发明所采取的技术方案是：

一种基于无人机的车辆跟踪方法，具体包括以下步骤：

步骤1：收集无人机视角下的车辆图像，制作数据集；

使用优化Yolov3算法对待测视频每帧中的车辆图像信息进行检测，得到视频帧中的所有车辆的图像信息制作数据集；

所述优化Yolov3算法中的损失函数Loss如下所示：

Loss＝T₁-T₃-T₄

式中：T₁表示为bounding box和真实目标的box的中心坐标误差；T₃表示为置信度误差；T₄表示为分类误差；

优化Yolov3算法中的卷积层和BN层如下所示：

式中，x_i为卷积层；w_i′为合并后权值参数；β’为偏置；Xc为合并后的计算结果；i为卷积层数；m为卷积层总数；