【技术实现步骤摘要】
一种基于深度学习的无人机多目标车辆跟踪方法
[0001]本专利技术涉及二维计算机视觉，一种基于深度学习的多目标车辆跟踪方法，将车辆从场景中识别出来并赋予相应的编号，并根据检测方法在后续帧中不断检测出相关对应的目标，获取车辆跟踪的准确轨迹。将面向旋转的检测方法融合到跟踪中，得到更加准确的跟踪轨迹。并对重识别、遮挡等问题具有一定鲁棒性。
技术介绍
[0002]随着社会的快速发展，“智能化”时代已经悄然来临，无论是越来越智能的手机，还是快速便捷的各类设施，都在昭示着“智能”将会是未来的关键词。愈来愈多的系统趋于智能化、无人化、便捷化，而首当其冲的便是无人机带给人们方便快捷的生活。利用计算机视觉的各种先进技术，如图像识别、智能交互、实例分割、检测跟踪等，使得其智能性和自主性得到不断提高。并成为了未来无人机的发展方向，也是当前研究和开发的热点。
[0003]近年来，随着无人机智能系统的研发越来越先进，其智能系统可以被应用于多种场景中，使得无人机被广泛应用。京东物流使用无人机进行配送和运输，开启了物流行业的新河。很多快递在农村使...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的无人机多目标车辆跟踪方法，其特征在于：该方法包括如下步骤，S1：通过无人机数据集获取图像；S2：对图像进行预处理，包括去噪、去畸变以及压缩图像尺寸处理；S3：通过centernet算法检测预处理后的图像中车辆的大小，是否超过相应阈值判断是俯视角还是监控视角；S31：对于是俯视角的情况，则通过Oriented R
‑
CNN算法对预处理后的图像进行多个目标检测，获得多个目标的检测结果矩形框；S32：对于是监控视角的情况，继续通过centernet算法对预处理后的图像进行多个目标检测，获得多个目标的检测结果矩形框；S4：基于每一个目标的检测结果矩形框，采用联合模型以单网络多任务方式实现车辆多目标跟踪；S41：实时判断跟踪目标是否丢失，若跟踪目标未丢失，则继续当前跟踪，且保存当前目标的位置；若跟踪目标丢失，则返回S1重新进行目标检测；S42：针对新的检测结果矩形框，首先与上一时刻的跟踪目标的矩形框进行数据关联，完成矩形框之间的相似度匹配；之后结合匈牙利算法，实现跟踪目标在当前运动与历史运动的一一匹配，以维持视野中多个目标的跟踪与实时状态估计；S5：基于跟踪目标在当前时刻的位置，使用卡尔曼滤波算法预测跟踪目标下一时刻的速度与位置；S6：继续重复S1～S5，直到数据集结束终止跟踪。2.根据权利要求1所述的一种基于深度学习的无人机多目标车辆跟踪方法，其特征在于：首先以有序的视频帧数据作为输入，在数据预处理后，使用可变卷积深度特征融合网络DDLA获得以小步长下采样率输出的下采样特征图，减少大步长下采样率带来的特征模糊问题；在上采样过程引入DCNv2可变卷积，提高模型对车辆尺寸及位置变化的适应能力；在原本的检测器网络上添加更适合车辆目标特征维度的卷积层获取车辆目标特征的Re
‑
ID分支，满足联合模型并行输出检测和Re
‑
ID特征的要求，按时间序列进行轨迹链接，完成车辆多目标跟踪。3.根据权利要求1所述的一种基于深度学习的无人机多目标车辆跟踪方法，其特征在于：可变卷积深度特征融合网络，为解决目标发生形变而产生的跟踪漂移问题和满足联合模型车辆多目标跟踪对于特征图的需求，提出一种可变卷积深度特征融合网络，并把此可变卷积深度特征融合网络应用于联合模型骨干网络部分，可形变深度融合网络以小步长的下采样率采样提取不同层次的车辆目标特征信息，用可变卷积代替上采样普通2D卷积方式实现特征图的提取；参考原始DLA
‑
34网络的下采样方式，在下采样过程中，首先以视频帧作H
f
xW
f
为输入，由base及level0
‑
level5共7个层layer实现整个下采样部分.Base
‑
layer、level0
‑
layer利用2D卷积归一化和...
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。