一种改进的高精度端到端车辆多目标跟踪方法技术

本发明专利技术涉及一种改进的高精度端到端车辆多目标跟踪方法，包括：基于改进的Faster R

【技术实现步骤摘要】
一种改进的高精度端到端车辆多目标跟踪方法


[0001]本专利技术涉及自动驾驶多目标跟踪
，具体是一种改进的高精度端到端车辆多目标跟踪方法。

技术介绍

[0002]多目标跟踪是计算机视觉的一个关键问题，通常用于无人驾驶领域，通过跟踪车辆附近目标的运动，实时并且准确地判断周围车辆以及行人轨迹，为无人驾驶决策模块提供数据支持，并在危险发生前及时减速避让，尽可能避免交通事故。
[0003]多目标跟踪通常基于先检测后跟踪的多目标跟踪框架，主要包括目标检测、特征提取、目标关联三个部分。随着检测技术的发展，基于检测的多目标跟踪算法发展较快，比如sort跟踪器使用简单的卡尔曼滤波逐帧处理数据关联，并使用匈牙利算法进行目标匹配。DeepSort模型在sort跟踪器的基础上改进，使用卷积神经网络完成重识别，提取目标表观特征进行最近邻匹配，在改善遮挡问题的同时，减轻了身份识别错误的现象；并在被检测目标与跟踪轨迹关联问题上使用级联匹配方法，对出现频率较为频繁的目标赋予优先匹配权，解决连续预测的概率弥散问题。
[0004]基于检测方法的三个模块(目本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种改进的高精度端到端车辆多目标跟踪方法，其特征在于，包括：基于改进的Faster R
‑
CNN模型对车辆进行检测，得到目标检测数据集；将所述目标检测数据集输入到区域生成网络模块中进行相似度学习，得到待匹配的候选目标数据集，最后通过最近邻匹配方法完成所述待匹配的候选目标数据集的匹配。2.根据权利要求1所述的改进的高精度端到端车辆多目标跟踪方法，其特征在于，在所述改进的Faster R
‑
CNN模型中，骨干网络采用resnet50网络结构，用于提取输入图像的卷积特征，得到特征图。3.根据权利要求2所述的改进的高精度端到端车辆多目标跟踪方法，其特征在于，对所述resnet50网络结构中的可变卷积与仅使用键值内容特征的Transformer组合模块进行整合，并应用在所述骨干网络中conv4和conv5矩阵卷积运算中。4.根据权利要求3所述的改进的高精度端到端车辆多目标跟踪方法，其特征在于，对所述可变卷积与仅使用键值内容特征的Transformer组合模块进行整合的过程包括：以Quasi
‑
Dense作为基线，在所述骨干网络中加入空间注意力机制，基于所述空间注意力机制，计算所述可变卷积和Transformer组合模块的多头注意力特征，在所述可变卷积中调整元素的采样位置，得到每个查询键值对的注意力权重。5.根据权利要求4所述的改进的高精度端到端车辆多目标跟踪方法，其特征在于，所述多头注意力特征的表达式为：其中，待查元素的索引和内容分别为q和z
q
，键值元素的索引和内容分别为k和x
k
，m索引注意力头，待查元素相关的键值区域为Ω
q
，第m个注意力的权重为A
m
(q,k,z
q
,x
k
)，待学习的权重为W
m
和W
m
'，M表示注意力头数量，取8。6.根据权利要求5所述的改进的高精度端到端车辆多目标跟踪方法，其特征在于，所述Transformer组合模块将所述多头注意力特征拆分为四个不同的注意力因素，基于所述四个不同的注意力因素的和，计算所述每个查询键值对的注意力权重，其表达式为：其中，待查元素的索引和内容分别为q和z
q
，键值元素的索引和内容分别为k和x
k
，m为索引注意力头，第m个Transformer注意力的权重用表示，注意力因素用ε
j
表示，在注意力模块中引入...

【专利技术属性】
技术研发人员：鲍泓，徐歆恺，宁晴，付一豪，王晨曦，潘卫国，徐成，
申请(专利权)人：北京联合大学，
类型：发明
国别省市：