一种车辆行人追踪检测方法技术

本申请提供一种车辆行人追踪检测方法，使用在算力较低的边缘设备上，实时的追踪目标，并且提高了车辆追踪、匹配及检测的准确率。包括步骤：(a)采用广角镜头相机采集图像，获得路面的原始图像；(b)基于深度学习，训练出多类别的目标检测模型；(c)在终端开发板上部署所述目标检测模型，在应用时输入广角镜头相机采集的实时图像，终端开发板根据部署的目标检测模型对图像中的车辆和行人进行自动检测和标识；(d)根据标识的车辆和行人的标记框，得到车辆和行人的位置，根据所述位置来追踪车辆和行人。人。人。

【技术实现步骤摘要】
一种车辆行人追踪检测方法


[0001]本专利技术涉及车辆行人追踪
，更具体地，涉及一种车辆行人追踪检测方法。

技术介绍

[0002]随着高速公路收费体制的不断改革，尤其在省界取消以后，车辆进出高速公路以车型做为收费标准判断的主要依据。在政策与技术的双层驱动下，基于雷达点云、微波雷达以及图像处理技术的车型识别检测设备层出不穷，为了保证对车辆信息的采集与取证满足收费稽核的标准，规范在对车型识别准确率有相关要求外，对车辆进出高速时的状态取证也尤其重要。目前对车辆信息的取证主要包括抓拍车辆车头、车身、车尾图像，同时将车辆进入收费车道的过车视频也需要进行录制尤其重要。经过市场筛选与技术迭代，目前对收费车型的判断主要是采用图像拼接、车辆轨迹追踪等技术实现。为了保证图像采集、车辆追踪的准确性，现有车型识别系统中均采用了车辆追踪的技术。
[0003]常见车辆跟踪方法主要包括特征匹配、雷达跟踪、重叠区域匹配，现有技术的具体情况为：1、基于特征匹配来实现车辆及行人的追踪，是通过多个相机对车辆同一位置的特征值的检测与判断实现对目标跟踪。可有效弥补视频视野角不足情况下的目标跟踪，但是在拼接过程中一方面受被检测目标本身材质、颜色的影响，另一方面对算法及处理器算力要求较高且追踪后的目标图像畸变率高，跟踪效果相对较差。2、雷达测距辅助重叠区域实现车辆的跟踪，该技术可有效弥补相邻目标干扰及拼接错位问题，但是整套技术涉及图像处理与雷达测距两个领域，同时存在拼接图像畸变、运算算力要求高等现象。
[0004]有鉴于此，本专利技术提供一种车辆行人追踪检测方法，提高了车辆追踪、匹配及检测的准确率。

技术实现思路

[0005]本专利技术的目的在于，提供一种车辆行人追踪检测方法，使用在算力较低的边缘设备上，实时的追踪目标，并且提高了车辆追踪、匹配及检测的准确率。
[0006]一种车辆行人追踪检测方法，包括步骤：
[0007](a)采用广角镜头相机采集图像，获得路面的原始图像；
[0008](b)基于深度学习，训练出多类别的目标检测模型；
[0009](c)在终端开发板上部署所述目标检测模型，在应用时输入广角镜头相机采集的实时图像，终端开发板根据部署的目标检测模型对图像中的车辆和行人进行自动检测和标识；
[0010](d)根据标识的车辆和行人的标记框，得到车辆和行人的位置，根据所述位置来追踪车辆和行人。
[0011]在一些实施方式中，在步骤(a)中，所述广角镜头相机为鱼眼相机，该鱼眼相机的视角为160
°‑
230
°
。优选的，所述鱼眼相机的视角为200
°‑
230
°
。
[0012]进一步的，所述鱼眼相机的超广角能够完全拍摄覆盖车辆的车头、车身和车尾。
[0013]进一步的，所述鱼眼相机正对车道安装，获得当前车道的全景图像，鱼眼相机安装在高速收费站路段。
[0014]进一步的，将鱼眼相机采集的视频通过工具切成若干帧的图像数据，所述工具为openCV(open computer vision，开源的计算机视觉)开源库。
[0015]在一些实施方式中，在步骤(b)中，将图像数据采用目标检测模型软件进行训练，该目标检测模型软件是能够用于目标检测任务的利用深度学习网络模型，目标检测模型训练完成后，该目标检测模型能够识别出图像中的车辆和人，同时在图像中用矩形框标注出车辆和人。
[0016]进一步的，所述目标检测模型软件包括：开源的yolo
‑
fastestv2。
[0017]进一步的，深度学习网络模型在类别的参数上设置成当前任务的类别数，即车辆和行人，并且在数据标注的过程中，只标注当前任务需要的目标类别，非目标的不标注，非目标的物体统一当成背景来学习。
[0018]在一些实施方式中，在步骤(c)中，所述终端开发板为边缘计算的开发板，所述目标检测模型设置在超轻量模型设备中。
[0019]进一步的，所述超轻量模型设备包括：yolo
‑
fastestv2。
[0020]进一步的，在应用时，终端开发板获取广角镜头相机采集的实时图像，利用超轻量模型设备的目标检测模型对图像中的车辆和行人进行自动检测并分别标识出车辆和行人的标识框。
[0021]进一步的，通过广角镜头相机拍摄的车辆的车头、车身和车尾，通过与该车辆跟踪的ID匹配，在车流量较大的情况下不受相邻目标对象的干扰而发生错位。
[0022]在一些实施方式中，在步骤(d)中，所述标记框框出了车辆和行人，然后根据跟踪算法sort来进行跟踪。
[0023]进一步的，所述车辆跟踪是用于采集同一辆车的车头、车尾和车身的三张照片，然后上传给收费管理处。
[0024]进一步的，利用一个鱼眼相机即可记录一辆车到达车头相机抓拍位置及驶离车尾相机抓拍位置，获得同一辆车的车头、车尾和车身的三张照片。
[0025]进一步的，所述sort(Simple Online And Realtime Tracking)将卡尔曼滤波和匈牙利算法结合，检测框经过卡尔曼滤波后得到当前的最优估计的目标位置，当前最优估计的目标位置经过匈牙利算法的匹配，得到当前帧和上一帧的目标的匹配关系，同一个物体的ID相同，同一个检测目标在运动过程中保持检测框稳定且具有同一个ID。sort为一种多目标跟踪算法，能够有效地关联目标，并提升跟踪的实时性。
[0026]进一步的，所述卡尔曼滤波用于保持检测框稳定(初始检测框是目标检测算法检测得到的，它的位置与我们的目标位置是有一点偏差的)，经过卡尔曼滤波得到的最优估计的目标位置是最接近当前目标真实位置框，需要输入合适当前应用场景的超参数包括：Q(过程噪声协方差)、R(观察噪声协方差)，通常采用一个全是a(a为0～1的一个小数)的矩阵作为初始值，根据跟踪结果的效果相应调整这两个参数，起到稳定检测框的目的。
附图说明
[0027]结合以下附图一起阅读时，将会更加充分地描述本申请内容的上述和其他特征。
可以理解，这些附图仅描绘了本申请内容的若干实施方式，因此不应认为是对本申请内容范围的限定。通过采用附图，本申请内容将会得到更加明确和详细地说明。
[0028]图1为本申请的基于鱼眼相机的车辆行人追踪检测结构图。
具体实施方式
[0029]描述以下实施例以辅助对本申请的理解，实施例不是也不应当以任何方式解释为限制本申请的保护范围。
[0030]在以下描述中，本领域的技术人员将认识到，在本论述的全文中，组件可描述为单独的功能单元(可包括子单元)，但是本领域的技术人员将认识到，各种组件或其部分可划分成单独组件，或者可整合在一起(包括整合在单个的系统或组件内)。
[0031]同时，组件或系统之间的连接并不旨在限于直接连接。相反，在这些组件之间的数据可由中间组件修改、重格式化、或以其它方式改变。另外，可使用另外或更少的连接。还应注意，术语本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车辆行人追踪检测方法，其特征在于，包括步骤：(a)采用广角镜头相机采集图像，获得路面的原始图像；(b)基于深度学习，训练出多类别的目标检测模型；(c)在终端开发板上部署所述目标检测模型，在应用时输入广角镜头相机采集的实时图像，终端开发板根据部署的目标检测模型对图像中的车辆和行人进行自动检测和标识；(d)根据标识的车辆和行人的标记框，得到车辆和行人的位置，根据所述位置来追踪车辆和行人。2.如权利要求1所述的车辆行人追踪检测方法，其特征在于，在步骤(a)中，所述广角镜头相机为鱼眼相机，该鱼眼相机的视角为160
°‑
230
°
；所述鱼眼相机的超广角能够完全拍摄覆盖车辆的车头、车身和车尾。3.如权利要求1所述的车辆行人追踪检测方法，其特征在于，在步骤(b)中，将图像数据采用目标检测模型软件进行训练，该目标检测模型软件是能够用于目标检测任务的利用深度学习网络模型，目标检测模型训练完成后，该目标检测模型能够识别出图像中的车辆和人，同时在图像中用矩形框标注出车辆和人。4.如权利要求3所述的车辆行人追踪检测方法，其特征在于，深度学习网络模型在类别的参数上设置成当前任务的类别数，即车辆和行人，并且在数据标注的过程中，只标注当前任务需要的目标类别，非目标的不标注，非目标的物体统一当成背景来学习。5.如权利要求1所述的车辆行人追踪检测方法，其特征...

【专利技术属性】
技术研发人员：张小磊，徐明飞，柳佳，
申请(专利权)人：苏州思卡信息系统有限公司，
类型：发明
国别省市：