【技术实现步骤摘要】
一种基于深度学习的多摄像头车辆跟踪系统
本专利技术涉及车辆跟踪领域，是基于深度学习的多摄像头协同对车辆进行多方位识别及追踪的方法和系统，该方法可以应用于智能交通监控、嫌疑车监管、车流量检测以及路况分析多个场景。
技术介绍
多摄像头车辆识别与跟踪是智能交通系统中研究的重点内容，但多摄像头的切换可能导致目标车辆的外形发生变化，监控视频背景复杂、目标车辆遮挡等问题也对识别跟踪的准确度及误检率提出了巨大的挑战。比如说，在交通事故发生后，对目标车辆进行锁定并跟踪其运动轨迹，辅助交警对交通事故进行事后处理。目前，关于单摄像头车辆识别与跟踪在国内外已有了大量的研究成果，但是单摄像头的监控场景单一且固定，目标车辆跟踪的视野范围有限，不能对其进行持续跟踪。单摄像头在固定场景进行目标车辆的识别与跟踪通常使用以下几种算法：模板匹配跟踪算法、meanshift跟踪算法以及camshift跟踪算法等等，但是在多摄像头协同分析下的车辆跟踪中并不适用。
技术实现思路
本专利技术要解决的技术问题是在于克服已有单摄像头下识别与跟踪...
【技术保护点】
1.一种基于深度学习的多摄像头车辆跟踪的系统，其特征在于，包括以下步骤：/na、创建多个拍摄摄像头，并对获取的视频中的车辆机型检测；/nb、利用深度学习的Caffe框架训练车辆样本图片，生成车辆检测模型；/nc、提取车辆特征，分别为全局特征的颜色特征提取和局部特征的SURF算法特征进行提取；/nd、利用全卷积孪生网络跟踪算法中的特征向量相似度与多特征合作进行匹配；/ne、将跟踪信息存放到专有数据库中，以方便用户查阅跟踪的详细信息，并可通过播放视频内容再次判断目标车辆信息；/nf、对不同的摄像头轨迹进行匹配并对背景进行分块处理，绘制跟踪车辆的轨迹，创建全局路径。/n
【技术特征摘要】
1.一种基于深度学习的多摄像头车辆跟踪的系统，其特征在于，包括以下步骤：
a、创建多个拍摄摄像头，并对获取的视频中的车辆机型检测；
b、利用深度学习的Caffe框架训练车辆样本图片，生成车辆检测模型；
c、提取车辆特征，分别为全局特征的颜色特征提取和局部特征的SURF算法特征进行提取；
d、利用全卷积孪生网络跟踪算法中的特征向量相似度与多特征合作进行匹配；
e、将跟踪信息存放到专有数据库中，以方便用户查阅跟踪的详细信息，并可通过播放视频内容再次判断目标车辆信息；
f、对不同的摄像头轨迹进行匹配并对背景进行分块处理，绘制跟踪车辆的轨迹，创建全局路径。
2.根据权利要求1所述的基于深度学习的多摄像头车辆跟踪的系统，其特征在于，步骤b包括以下步骤：
b1、收集车辆样本图片并筛选，排除无车样本后进行高斯噪音、翻转以及高亮数据增广，得到检测样本；
b2、对检测样本图像进行标签化处理；
b3、通过SSD网络训练车辆检测模型，用样本图片和标签文件组成需要训练的数据集，最后利用Caffe框架进行训练得到检测模型；
b4、在线检测模型：初始化检测模型，加载网络配置文件和检测模型，设置初始置信度阈值；调用检测函数进行车辆检测，判断置信度，当大于阈值区域中的物体则保存为车辆，当小于阈值区的区域，则过滤判断为矩形框边界。
3.根据权利要求1所述的基于深度学习的多摄像头车辆跟踪的系统，其特征在于，步骤c中：所述全局特征提取为：提取车辆颜色特征，首先将RGB颜色通道进行分量映射，然后做颜色直方图计算，通过该方法将多摄像头下的相同车辆进行颜色特征提取。
4.根据权利要求1或3所述的任一基于深度学习的多摄像头车辆跟踪的系统，其特征在于，步骤c中所述SURF算法特征提取包括：
c1、构建黑塞矩阵：通过矩阵的行列式的局部最大值判断特征点的尺度和位置，如果行列式的值大于零，则该像素为极值点，反之则为非极值点；
c2、构建图像的尺度空间：在不同尺度寻找相同位置的特征点，利用SURF算法，采用尺寸不同的方格滤波器处理初始车辆图片，获取图片尺度空间；
c3、特征点的定位：将像素点的特征点与该像素点三维空间中周围的点进行对比，如果该像素点的值比周围的值都要大，则该像素点被定义为特征点。
...
【专利技术属性】
技术研发人员：张立华，
申请(专利权)人：盐城吉大智能终端产业研究院有限公司，
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。