一种用于多目标跟踪情况下的智能驾驶目标重识别方法技术

本发明专利技术公开了一种用于多目标跟踪情况下的智能驾驶目标重识别方法，包括以下内容：设定目标，基于CenterNet，设置三个平行的检测头，分别用于检测目标的热度图、物体中心偏移量和包围框面积；所述的热度图设置响应系数，响应系数由0至1，其中目标与地面真实物体的中心处重合，则响应系数为1，响应系数并随着热力图位置与真实物体中心之间的距离长短呈指数衰减；本方法基于对同一个目标的重识别，以解决无人驾驶中不同视角、不同画面中对多种类、多目标的连续跟踪问题。通过热度图、物体中心偏移量和包围框三要素的协同计算，可以对指定目标进行重识别，以帮助智能驾驶模块做出更优的驾驶方案选择。的驾驶方案选择。的驾驶方案选择。

【技术实现步骤摘要】
一种用于多目标跟踪情况下的智能驾驶目标重识别方法


[0001]本专利技术涉及自动驾驶领域，特别是涉及一种用于多目标跟踪情况下的智能驾驶目标重识别方法

技术介绍

[0002]随之环境感知能力，车路智能化的进一步发展，未来道路上的形式车辆将逐渐以智能行驶车辆为主。在实现完全自动驾驶之前，未来的很长一段时间内，都会以人工驾驶车辆、半智能形式车辆、网联自动行驶车辆同时在道路上混行的阶段。
[0003]车路协同方式，可以有效的提升群体的可组织性，车辆的行驶的智能程度，缓解城市交通压力，并提升道路的通行能力。
[0004]现有的多目标跟踪方法都是基于同一个摄像头内的多目标跟踪，主流场景是基于固定枪机摄像头内的多目标跟踪，传统方法包括光流法、高斯混合背景建模方法等，基于学习的方法包括DeepSORT等方法。
[0005]因为以上的多目标跟踪方法都无法解决遮挡以及跨镜头的问题，所以有很多方法开始探索目标重识别的方法。因为行人可提取的特征比较多，所以目前大部分的方法都是基于行人的目标重识别。
[0006]但是在无人驾驶中，就我们需要关心所有的道路参与者的以及他们的轨迹，所以目前的目标重识别技术无法适应此种场景下的需求。
[0007]而且无人驾驶场景下，面临的问题是移动摄像头，且遮挡非常普遍，所以这更加大了对目标重识别的要求，所以目前还没有很好的技术实现基于目标重识别方法的无人驾驶中的多类别多目标跟踪方法。

技术实现思路

[0008]本专利技术的目的是为了解决以上现有技术的不足，提供了一种用于多目标跟踪情况下的智能驾驶目标重识别方法。
[0009]一种用于多目标跟踪情况下的智能驾驶目标重识别方法，采用ResNet
‑
34作为骨干，以便在准确性和速度之间取得良好的平衡。将一个增强版的深层聚合(Deep Layer Aggregation，DLA)应用于主干网，以融合多层特征。它在低级和高级功能之间有更多的跳过连接，类似于功能金字塔网络。
[0010]此外，所有上采样模块的卷积层都被可变形卷积取代，可以根据物体的尺度和姿态动态调整接受视野大小。
[0011]检测分支是建立在CenterNet之上的。并附加了三个平行的检测头来分别估计热度图、物体中心偏移量和包围框的大小。
[0012]目标：所述的目标为可重识别的物体参照物；
[0013]基于CenterNet，设置三个平行的检测头，分别用于检测目标的热度图、物体中心偏移量和包围框面积；
[0014]所述的热度图设置响应系数，响应系数由0至1，其中目标与地面真实物体的中心处重合，则响应系数为1，响应系数并随着热力图位置与真实物体中心之间的距离长短呈指数衰减；
[0015]所述的物体中心偏移量的作用为精确的定位目标位置与移动速度；
[0016]所述的包围框面积的作用为估算每个目标的高度与宽度大小；
[0017]目标重识别(Re
‑
ID)分支旨在生成能够区分对象的特性。我们在主干特征上应用一个包含128个内核的卷积层来提取每个位置的Re
‑
ID特征。我们通过一个分类任务来学习Re
‑
ID特征。在训练集中具有相同标识的所有对象实例都被视为同一个类。损失函数如下：
[0018][0019]其中L
identity
代表损失值，L
i
(k)代表真实类别1
‑
0分类，k表示种类数；
[0020]总体训练函数如下：
[0021]L
detection
＝L
heat
+L
box
[0022][0023]L
detection
表示检测的损失函数，L
heat
表示热度图损失函数，L
box
表示包围框偏移量，w1和w2是平衡这两个任务的可学习参数值。
[0024]进一步的，所述卷积层的内核数量为128个。
[0025]进一步的，所述的目标为可连续标注属性的物体。
[0026]进一步的，包括延时匹配机制，所述的延时匹配机制包括以下步骤：
[0027]S1、计算目标的128维的目标特性，并保存在存储器中；
[0028]S2、设置时间节点t1和t2，其中t2＞t1；
[0029]S3、当目标在t1时间内未出现在视野中，则暂停对该目标的重识别；
[0030]S4、当目标在t2时间内重新出现在视野中，则根据物体中心偏移量完成对目标的匹配，并继续持续跟踪；
[0031]S5、当目标在t2时间内未出现在视野中，则停止对该目标的重识别。
[0032]5、根据权利要求1所述的一种用于多目标跟踪情况下的智能驾驶目标重识别方法，其特征在于，w1和w2的数值由人为进行初始定义。
[0033]进一步的，目标重识别方法中采用的卷积计算方式为可变性卷积计算方式。
[0034]进一步的，目标重识别方法中核心计算方式为ResNet
‑
34。
[0035]此方案的目标不限于行人，只要是具有可连续标注属性的物体，均可以成为目标重识别方法的目标；
[0036]有益效果：
[0037]本方法基于对同一个目标的重识别，以解决无人驾驶中不同视角、不同画面中对多种类、多目标的连续跟踪问题。通过热度图、物体中心偏移量和包围框三要素的协同计算，可以对指定目标进行重识别，以帮助智能驾驶模块做出更优的驾驶方案选择，从而进一步的实现车辆的智能化驾驶，并提升智能驾驶的优越性，从而让驾乘人员获得更好的驾驶体验。
附图说明：
[0038]图1为目标重识别方法的主要流程示意图；
[0039]图2是三要素组成的计算网路；
[0040]图3是图像处理的基本流程示意图；
[0041]图4是热度图、物体中心偏移量以及包围框的具象化表现。
具体实施方式
[0042]以下将以图式揭露本专利技术的实施方式，为明确说明起见，许多实务上的细节将在以下叙述中一并说明。然而，应了解到，这些实务上的细节不应用以限制本专利技术。也就是说，在本专利技术的部分实施方式中，这些实务上的细节是非必要的。此外，为简化图式起见，一些习知惯用的结构与组件在图式中将以简单的示意的方式绘示之。
[0043]实施示例：
[0044]采用ResNet
‑
34作为骨干，以便在准确性和速度之间取得良好的平衡。将一个增强版的深层聚合(Deep Layer Aggregation，DLA)应用于主干网，以融合多层特征。它在低级和高级功能之间有更多的跳过连接，这类似于功能金字塔网络。
[0045]此外，所有上采样模块的卷积层都被可变形卷积取代，可以根据物体的尺度和姿态动态调整接受野。
[0046]检测分支是建立在CenterNet之上的。并附加了三个平行的检测头来分别估计热度图、物本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于多目标跟踪情况下的智能驾驶目标重识别方法，其特征在于，包括以下:目标：所述的目标为可重识别的物体参照物；基于CenterNet，设置三个平行的检测头，分别用于检测目标的热度图、物体中心偏移量和包围框面积；所述的热度图设置响应系数，响应系数由0至1，其中目标与地面真实物体的中心处重合，则响应系数为1，响应系数并随着热力图位置与真实物体中心之间的距离长短呈指数衰减；所述的物体中心偏移量的作用为精确的定位目标位置与移动速度；所述的包围框面积的作用为估算每个目标的高度与宽度大小；目标重识别方法中设有卷积层用于提取每一个位置的Re
‑
ID特征，设置训练集，训练集中的具有相同标识的所有对象实例均归为一类，并设置损失函数：其中L
identity
代表损失值，L
i
(k)代表真实类别1
‑
0分类，k表示种类数；总体训练函数如下：L
detection
＝L
heat
+L
box
L
detection
表示检测的损失函数，L
heat
表示热度图损失函数，L
box
表示包围框偏移量，w1和w2是平衡这两个任务...

【专利技术属性】
技术研发人员：栗向滨，张昆霭，刘亚辉，王劲，
申请(专利权)人：中智行苏州科技有限公司，
类型：发明
国别省市：