一种基于双阶段卷积神经网络的目标跟踪方法及系统技术方案

本发明专利技术涉及一种基于双阶段卷积神经网络的目标跟踪方法及系统。其方法包括，获取检测区域内的视频流，并将所述视频流进行预处理，得到多帧帧图片；将多帧所述帧图片输入至预先训练好的YOLOv3目标检测改进模型中进行目标检测，得到带有检测目标帧图片；利用deepsort多目标追踪算法对带有检测目标帧图片进行检测目标跟踪，对所述帧图片中检测目标实时位置进行跟踪。本发明专利技术采用改进的YOLOv3结合Deepsort多目标跟踪的双阶段卷积神经网络对目标进行实时监测，更精确地获得同一运动物体的实时位置信息，避免了多目标及重叠目标的计算误差，实现运动中多目标物体的实时跟踪，检测准确率高。测准确率高。测准确率高。

【技术实现步骤摘要】
一种基于双阶段卷积神经网络的目标跟踪方法及系统


[0001]本专利技术涉及停车检测领域，尤其涉及一种基于双阶段卷积神经网络的目标跟踪方法及系统。

技术介绍

[0002]危险化学品运输车辆，简称危化车，因其装卸物通常为易燃易爆或剧毒物质，具有极大的危险性，因此其停放须严格按照危化品车辆管理办法在指定地点停放。在运输过程中不可随意停放，临时停车不准靠近明火、高温场所、人员密集场所等有可能造成危害的地点。针对危化品车辆在道路运输过程中，尤其在化工园区内，不按规定停放可能造成重大危害的问题，
[0003]目前基于单纯的目标检测算法，例如YOLO系列算法，可实现单帧图像的目标检测，即单帧图片检测目标的位置值，但是无法获得视频运动中的目标的连续位置信息，一方面是单帧图像出现多目标时，需仔细计算辩证前后帧多个目标之间的位置信息是属于哪个目标，另一方面是当多个目标之间互相距离较近时，无法确认前后帧运动中的目标具体是属于哪个目标；基于目标检测与多目标跟踪双阶段的算法可实现运动中多目标物体的实时跟踪，且准确度较高。
[0004]现有的运用于yolov3目标检测方法中的NMS方法在去除多余的重叠框的过程中，从高到低对建议框进行排序，然后分数最高的检测框被选中，当其他框与被选中建议框有明显重叠时，即被抑制。该方法会删除重叠率较高的目标框，即当两个目标框接近时，分数更低的框就会因为与之重叠面积过大而被误删掉。
[0005]YOLOv3目标框架中的损失函数Loss分为三个部分，一个是中心坐标和宽高造成的误差，一个是置信度造成的损失，最后一个是类别造成class的损失，最后将这三个损失相加形成了最终的损失函数。在所述中心坐标和宽高造成的误差中，由目标检测框的中心横坐标、中心纵坐标、宽度和高度四部分损失相加所得。由于这四部分损失不是相互独立的，在实际计算中存在互相依赖关系，因此该损失计算方法存在偏差，无法准确反映由中心坐标和宽高造成的实际损失。例如，可能存在不同的中心横坐标、中心纵坐标、宽度和高度损失而总的中心坐标和宽高损失相同的情况。

技术实现思路

[0006]为解决上述现有技术问题，本专利技术提供一种基于双阶段卷积神经网络的目标跟踪方法及系统。
[0007]本专利技术技术方案如下：一种基于双阶段卷积神经网络的目标跟踪方法，包括以下步骤：
[0008]S1，获取检测区域内的视频流，并将所述视频流进行预处理，得到多帧帧图片；
[0009]S2，将多帧所述帧图片输入至预先训练好的YOLOv3目标检测改进模型中进行目标检测，得到带有检测目标帧图片；
[0010]S3，利用deepsort多目标追踪算法对带有检测目标帧图片进行检测目标跟踪，对所述帧图片中检测目标实时位置进行跟踪。
[0011]本专利技术的有益效果是：本专利技术基于双阶段的目标检测跟踪模型实现了目标检测跟踪功能，利用改进的YOLOv3目标检测模型与deepsort多目标跟踪算法相结合形成双阶段的检测跟踪算法，对检测区域内的检测目标不仅可以更精确地检测同一检测目标的实时位置信息，也避免了有多个目标出现在检测区域内时以及检测目标发生重叠时对于检测目标实时位置检测的计算误差，还实现了对运动中多检测目标的实时跟踪，且对于目标位置信息实时检测准确度较高，可实现实时计算，准确度高，改善了人工监测费时费力的局面，实现对检测区域的智能化监控。
[0012]在上述技术方案的基础上，本专利技术还可以做如下改进。
[0013]进一步，还包括，S4，根据帧图片中检测目标实时位置信息进行决策告警。
[0014]进一步，所述S4具体为，若在预设时间内，前、后帧图像中检测目标的中心点之间的欧式距离小于预设阈值，则判定为检测目标处于静态，并发出告警。
[0015]上述方案的有益效果为，在预设时间内，通过对视频流中相同检测目标实时位置的检测，判断检测目标当前的运动状态以及位置信息并将检测目标当前的运动状态以及位置信息及时反馈告警，方便管理人员及时作出相应的判断和措施，从而实现对检测区域内目标的智能管控。
[0016]进一步，所述S1具体为，获取检测区域内的视频流，并按预设帧率跳帧，从视频流中得到多帧帧图片。
[0017]进一步，在所述S2之前，还包括训练YOLOv3目标检测改进模型的步骤，
[0018]训练YOLOv3目标检测改进模型，具体包括如下步骤，
[0019]采集多种场景下带有目标的图片，并进行数据增强处理和标注处理，得到数据集，且按照预设的比例将所述数据集分为训练集和验证集；
[0020]基于YOLOv3目标检测模型构建YOLOv3目标检测改进模型；
[0021]利用所述训练集对所述YOLOv3目标检测改进模型进行多次迭代训练，利用所述验证集对每次训练后的YOLOv3目标检测改进模型进行验证，输出所述验证集的平均精度均值，选取输出平均精度均值最大的YOLOv3目标检测改进模型作为训练好的YOLOv3目标检测改进模型。
[0022]进一步，进行数据增强处理的具体步骤为，
[0023]对采集的多种场景下带有目标的图片进行水平翻转或/和垂直翻转或/和随机裁剪或/和随机角度旋转或/和对比度调整或/和亮度调整，得到多种场景下带有目标的处理图片；
[0024]进行标注处理的具体步骤为，
[0025]使用标注工具将多种场景下带有目标的图片和多种场景下带有目标的处理图片中的目标用目标标注框框出，生成xml格式的标记信息文件，其中标记信息文件中记录有目标标注框的左上角坐标和右下角坐标。
[0026]上述方案的有益效果是，采用进行标注处理和数据增强处理后的帧图片构建数据集，利用所述训练集对YOLOv3目标检测模型训练得到的YOLOv3改进目标检测模型拥有更好的泛化能力，可以对多种场景下，不同角度以及不同类型的图片进行目标检测，可以有效避
免在实际应用中由于各种不可抗力使得图片呈现多样化，从而导致YOLOv3改进目标检测模型对于目标检测的误差甚至无法对目标进行检测。
[0027]进一步，基于YOLOv3目标检测模型构建YOLOv3目标检测改进模型，具体为，对所述YOLOv3目标检测模型进行改进，得到所述YOLOv3目标检测改进模型；其中，对所述YOLOv3目标检测模型进行改进，包括如下三个改进点，
[0028]改进点一：对所述YOLOv3目标检测模型的输入尺寸进行改进；
[0029]改进点二：采用CIoU替代所述YOLOv3目标检测模型的损失函数中目标检测框的中心坐标、目标检测框的宽度以及目标检测框的高度造成的损失，所述改进CIoU公式如下；
[0030][0031][0032][0033]其中，L
CIoU
为YOLOv3目标检测模型的损失函数，IoU为目标检测框与目标标注框之间的交并比，ρ()为计算两个中心点间的欧氏距离的函数，b和b
gt
分别表示目标检测框和目标标注框的中心点，c表示能够同时包含目标检测框和目标标注本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双阶段卷积神经网络的目标跟踪方法，其特征在于：包括以下步骤，S1，获取检测区域内的视频流，并将所述视频流进行预处理，得到多帧帧图片；S2，将多帧所述帧图片输入至预先训练好的YOLOv3目标检测改进模型中进行目标检测，得到带有检测目标帧图片；S3，利用deepsort多目标追踪算法对带有检测目标帧图片进行检测目标跟踪，对所述帧图片中检测目标实时位置进行跟踪。2.根据权利要求1所述的基于双阶段卷积神经网络的目标跟踪方法，其特征在于：还包括，S4，根据帧图片中检测目标实时位置信息进行决策告警。3.根据权利要求2所述的基于双阶段卷积神经网络的目标跟踪方法，其特征在于：所述S4具体为，若在预设时间内，前、后帧图像中检测目标的中心点之间的欧式距离小于预设阈值，则判定为检测目标处于静态，并发出告警。4.根据权利要求1至3任一项所述的基于双阶段卷积神经网络的目标跟踪方法，其特征在于：所述S1具体为，获取检测区域内的视频流，并按预设帧率跳帧，从视频流中得到多帧帧图片。5.根据权利要求1至3任一项所述的基于双阶段卷积神经网络的目标跟踪方法，其特征在于：在所述S2之前，还包括训练YOLOv3目标检测改进模型的步骤，训练YOLOv3目标检测改进模型，具体包括如下步骤，采集多种场景下带有目标的图片，并进行数据增强处理和标注处理，得到数据集，且按照预设的比例将所述数据集分为训练集和验证集；基于YOLOv3目标检测模型构建YOLOv3目标检测改进模型；利用所述训练集对所述YOLOv3目标检测改进模型进行多次迭代训练，利用所述验证集对每次训练后的YOLOv3目标检测改进模型进行验证，输出所述验证集的平均精度均值，选取输出平均精度均值最大的YOLOv3目标检测改进模型作为训练好的YOLOv3目标检测改进模型。6.根据权利要求5所述的基于双阶段卷积神经网络的目标跟踪方法，其特征在于：进行数据增强处理的具体步骤为，对采集的多种场景下带有目标的图片进行水平翻转或/和垂直翻转或/和随机裁剪或/和随机角度旋转或/和对比度调整或/和亮度调整，得到多种场景下带有目标的处理图片；进行标注处理的具体步骤为，使用标注工具将多种场景下带有目标的图片和多种场景下带有目标的处理图片中的目标用目标标注框框出，生成xml格式的标记信息文件，其中标记信息文件中记录有目标标注框的左上角坐标和右下角坐标。7.根据权利要求6所述的基于双阶段卷积神经网络的目标跟踪方法，其特征在于：基于YOLOv3目标检测模型构建YOLOv3目标检测改进模型，具体为，对所...

【专利技术属性】
技术研发人员：范梦婷，刘浩，宋春红，郑谊峰，
申请(专利权)人：嘉兴恒云数据科技有限公司，
类型：发明
国别省市：