一种基于机器视觉的前方车辆行为识别方法技术

本发明专利技术涉及一种基于机器视觉的前方车辆行为识别方法，首先采用改进的tiny‑YOLOv3算法进行前方车辆检测，当检测到目标车辆后，再基于KCF算法、Kalman滤波算法与匈牙利匹配算法对目标车辆进行跟踪，最后根据前方车辆检测与跟踪结果构建LSTM，对前方车辆进行行为识别；改进的tiny‑YOLOv3算法是指将tiny‑YOLOv3算法的特征提取网络改进为Inception模块，构建特征金字塔网络，并将检测尺度增加到3个。本发明专利技术的一种基于机器视觉的前方车辆行为识别方法，应用在智能车辆上，能识别前方目标车辆的多种驾驶行为且具有良好的实时性和准确性。

【技术实现步骤摘要】
一种基于机器视觉的前方车辆行为识别方法
本专利技术属于机器视觉
，涉及一种基于机器视觉的前方车辆行为识别方法，应用在智能车辆上，能识别前方目标车辆的多种驾驶行为且具有良好的实时性和准确性。
技术介绍
随着智能技术的发展与人们对出行方式越来越高的要求，智能车辆成为当前的研究热点之一。智能车辆对前方车辆的检测、跟踪与行为识别可以给智能车辆提供实时的道路环境信息，并识别目标车辆的驾驶意图，让智能车辆的决策控制层可以针对当前道路环境做出合适的规划和避障动作，减少交通事故的发生，具有重要意义。前方车辆检测是车辆跟踪和意图识别的首要环节。在车辆检测方面，传统的方法包括根据外观特征的检测方法和背景差分法等，但仅适用于摄像机固定视角或静态视频检测，检测环境受限。近年来，该领域大多利用梯度方向直方图(HistogramofOrientedGradient，HOG)和haar-like等特征基于神经网络或机器学习的方法进行检测，但此类方法计算复杂，难以兼顾实时性和准确性。目标车辆跟踪方面，常用的有Kalman滤波器和mean-shift等传统本文档来自技高网...

【技术保护点】
1.一种基于机器视觉的前方车辆行为识别方法，其特征在于：首先采用改进的tiny-YOLOv3算法进行前方车辆检测，当检测到目标车辆后，再基于KCF算法、Kalman滤波算法与匈牙利匹配算法对目标车辆进行跟踪，最后根据前方车辆检测与跟踪结果构建LSTM，对前方车辆进行行为识别；/n改进的tiny-YOLOv3算法是指将tiny-YOLOv3算法的特征提取网络改进为Inception模块，构建特征金字塔网络，并将检测尺度增加到3个。/n

【技术特征摘要】
1.一种基于机器视觉的前方车辆行为识别方法，其特征在于：首先采用改进的tiny-YOLOv3算法进行前方车辆检测，当检测到目标车辆后，再基于KCF算法、Kalman滤波算法与匈牙利匹配算法对目标车辆进行跟踪，最后根据前方车辆检测与跟踪结果构建LSTM，对前方车辆进行行为识别；
改进的tiny-YOLOv3算法是指将tiny-YOLOv3算法的特征提取网络改进为Inception模块，构建特征金字塔网络，并将检测尺度增加到3个。


2.根据权利要求1所述的一种基于机器视觉的前方车辆行为识别方法，其特征在于，所述采用改进的tiny-YOLOv3算法进行前方车辆检测具体包括如下步骤：
(1)将tiny-YOLOv3算法的特征提取网络改进为Inception模块；
(2)搭建特征金字塔网络，利用上采样方法使卷积网络中高层特征与低层特征融合，同时把改进tiny-YOLOv3算法的检测尺度增加到3个；
(3)经离线训练得到合适的模型后，在实时检测阶段，把多个候选框分配给划分好的单元格，采用候选框预测目标检测框，则有：
bx＝σ(tx)+cx；
by＝σ(ty)+cy；






式中bx、by、bw和bh分别为检测框中心的横坐标和纵坐标以及检测框的宽和高；cx和cy分别为待检测目标中心所在单元格相对图像左上角的横向与纵向偏移；pw和ph分别为候选框的宽和高；e为自然指数；σ为sigmoid激活函数；tx和ty为预测的边框的中心点坐标，即经过sigmoid激活函数输出0到1之间的偏移量，分别与cx和cy相加后得到检测框中心点的位置；tw和th为预测的边框的宽和高，分别与pw和ph作用后得到检测框的宽和高。


3.根据权利要求...

【专利技术属性】
技术研发人员：王孝兰，曹佳祺，王岩松，王硕，
申请(专利权)人：上海工程技术大学，
类型：发明
国别省市：上海;31