The invention discloses a method for identifying and tracking the vehicle trajectory based on CNN, is the first contour recognition of video frames, selected vehicle candidate target region, these candidate regions are input to the classification of vehicle and non vehicle target pre trained convolutional neural networks, in acquiring vehicle coordinates, track drawing information of the vehicle, and the vehicle in the lane track information extraction. The invention overcomes the defects existing in the prior art, and improves the accuracy and the real-time performance of the vehicle target identification.
【技术实现步骤摘要】
一种基于CNN的车辆识别和轨迹追踪方法
本专利技术属于食品监控
,特别涉及了一种车辆识别和轨迹追踪方法。
技术介绍
目前,目标检测是智能视频监控系统中的关键技术,同时也是目标识别、目标跟踪、目标分类等处理算法的基础。车辆目标识别的目的是尽可能地从视频监控中提取出车辆目标区域,并且完整地从视频中提取出来,并将检测的结果提交给后续的算法处理,包括车辆位置信息,车辆轨迹信息等,以此来判断车辆当前车辆的行驶状态。因此为了解决现有技术中的不足,需要一种从视频中快速定位车辆位置和提取车辆轨迹的方法。2015年Seung-HyunLee等人在InternationalSymposiumonConsumerElectronics(ISCE)上发表了一篇《AnefficientselectionofHOGfeatureforSVMclassificationofvehicle》,通过减小HOG特征的维度来减少SVM的计算复杂度,然后将降低维度的HOG(方向梯度直方图)特征作为支持向量机(SVM)分类检测的输入,提高了车辆识别检测的速度。然而,HOG特征很难处理遮挡的问题,并且在实际的环境中HOG特征对噪点比较敏感。2015年SunShujuan等人在ChineseControlandDecisionConference(2015CCDC)上发表了一篇《Real-timevehicledetectionusingHaar-SURFmixedfeaturesandgentleAdaBoostclassifier》论文,提出一种采用级联分类器和混合Haar-SURF特征的G ...
【技术保护点】
一种基于CNN的车辆识别和轨迹追踪方法,其特征在于,包括以下步骤:(1)实时获取车辆的视频信息;(2)采用轮廓筛选机制对获取的视频帧进行预处理,提取车辆目标的候选区域;(3)将目标的候选区域输入卷积神经网络中,完成车辆目标和非车辆目标的识别;(4)获取每帧视频中的车辆位置坐标,根据这些坐标绘制车辆的轨迹;对于不同车道内的车辆轨迹按照车道进行分类提取。
【技术特征摘要】
1.一种基于CNN的车辆识别和轨迹追踪方法,其特征在于,包括以下步骤:(1)实时获取车辆的视频信息;(2)采用轮廓筛选机制对获取的视频帧进行预处理,提取车辆目标的候选区域;(3)将目标的候选区域输入卷积神经网络中,完成车辆目标和非车辆目标的识别;(4)获取每帧视频中的车辆位置坐标,根据这些坐标绘制车辆的轨迹;对于不同车道内的车辆轨迹按照车道进行分类提取。2.根据权利要求1所述基于CNN的车辆识别和轨迹追踪方法,其特征在于,步骤(2)的具体过程如下:采用索贝尔算子对获取的视频帧进行边缘点的检测,通过计算视频帧中每个像素点横向和纵向的灰度值来计算像素点的梯度,若梯度大于预设的阈值,则认为该像素点是轮廓边缘点,将相邻的轮廓边缘点连接起来,获得车辆目标的外部轮廓,根据外部轮廓确定车辆目标的候选区域。3.根据权利要求1所述基于CNN的车辆识别和轨迹追踪方法,其特征在于,步骤(3)的具体过程如下:缩放候选区域图片的scale,得到图片金字塔,通过卷积层提取图片中的特征,得到featuremap,接着通过池化层将featuremap大小不一的候选区域转变为大小统一的数据,进一步稳定特征,然后通过全连接层将池化层输出的特征进行合并,使用softmax完成车辆目标的识别。4.根据权利要求3所述基于CNN的车辆识别和轨迹追踪方法,其特征在于:softmax进行车辆目标识别时,通过构建代价函数对分类进行优化,所述代价函数:
【专利技术属性】
技术研发人员:赵胜,孙知信,赵学健,骆冰清,
申请(专利权)人:南京邮电大学盐城大数据研究院有限公司,
类型:发明
国别省市:江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。