一种被遮挡车辆的目标跟踪识别方法及系统技术方案

本发明专利技术提出一种被遮挡车辆的目标跟踪识别方法及系统，属于图像数据处理的技术领域，其中方法包括：构建用于数据分析的模型；捕捉目标车辆行驶中的视频数据；通过视频帧为单位的方式划分视频数据；遍历视频数据，按帧读取视频数据中每一帧图像数据，并对图像数据中车辆的位置进行分析，获取目标车辆的运动特征和外观可视特征；判断当前帧中是否检测到目标车辆；若存在，则继续读取下一帧视频数据；若不存在，则基于获得的目标车辆运动特征，预测目标车辆在当前帧中的位置；汇总每帧图像数据中车辆的位置，获得车辆全程的行驶轨迹。通过对目标车辆被遮挡位置的预测，可以有效判定车辆被遮挡后可能出现的行驶轨迹，降低目标车辆跟丢的现象产生。的现象产生。的现象产生。

【技术实现步骤摘要】
一种被遮挡车辆的目标跟踪识别方法及系统


[0001]本专利技术属于图像数据处理的
，特别是涉及一种被遮挡车辆的目标跟踪识别方法及系统。

技术介绍

[0002]在智慧交通的发展潮流中，对目标车辆的实时跟踪，可以为交通管控提供有效的车辆行驶信息，因此车辆跟踪技术在交通管理中占据不可忽视的地位。针对车辆的实际跟踪需求，现有技术常采用目标图像数据分析的方法，对图片的目标物进行分类识别。
[0003]但是，在实际应用的过程中，复杂的行驶环境常会导致跟踪的目标车辆出现部分被遮挡，或全被遮挡的现象，进而导致跟踪目标丢失，降低实时跟踪的鲁棒性。

技术实现思路

[0004]专利技术目的：提出一种被遮挡车辆的目标跟踪识别方法及系统，以解决现有技术存在的上述问题。通过对目标车辆被遮挡位置的预测，有效判定车辆被遮挡后可能出现的行驶轨迹，从而降低被遮挡后出现的跟丢现象产生。
[0005]技术方案：第一方面，提出了一种被遮挡车辆的目标跟踪识别方法，该方法具体包括以下步骤：
[0006]步骤1、构建用于数据分析的目标车辆检测模型和轨迹预测模型；
[0007]为了提高目标车辆检测模型和轨迹预测模型的性能，在执行数据分析之前，首先对构建的模型进行性能训练。
[0008]针对目标车辆检测模型的性能，在执行目标车辆检测前，采用分类损失函数对目标车辆检测模型进行学习能力的优化。
[0009]针对轨迹预测模型的性能，在执行目标车辆轨迹预测前，在训练过程中通过预测框与实际目标所在边界框之间的马氏距离和表观特征的余弦距离，判断预测框与实际目标所在边界框之间的误差；随后，基于误差值对卡尔曼滤波器的参数进行优化更新。
[0010]步骤2、通过信息采集设备捕捉目标车辆行驶中的视频数据；
[0011]步骤3、通过视频帧为单位的方式划分所述视频数据；
[0012]步骤4、所述目标车辆检测模型通过遍历视频数据的方式，按帧读取视频数据中每一帧图像数据，并对图像数据中车辆的位置进行分析，获取目标车辆的运动特征和外观可视特征；
[0013]步骤5、判断当前帧中目标车辆检测模型是否检测到目标车辆；若存在，则继续读取下一帧视频数据；若不存在，则基于获得的目标车辆运动特征，采用所述轨迹预测模型预测目标车辆在当前帧中的位置；
[0014]步骤6、汇总每帧图像数据中车辆的位置，获得车辆全程的行驶轨迹。
[0015]在第一方面的一些可实现方式中，利用所述目标车辆检测模型执行目标车辆检测识别的过程包括以下步骤：
[0016]步骤4.1、所述目标车辆检测模型接收当前帧对应的图像数据；
[0017]为了提高数据的分析准确性，在获得当前帧对应的图像数据后，进一步包括对特殊环境下的图像数据预处理。当目标车辆的实际行驶环境为弱光环境时，目标车辆的特征信息便会被弱化，因此通过执行对比度增强操作实现提高图像数据的对比度的同时，降低特征提取的难度，具体包括以下步骤：
[0018]步骤3.1、接收按帧划分后的图像数据；
[0019]步骤3.2、判断目标车辆的行驶环境；当目标车辆的行驶环境为弱光环境时，跳转至步骤3.3；反之，跳转至步骤4；
[0020]步骤3.3、将图像数据的RGB模式转换为HIS模式；
[0021]步骤3.4、基于HIS模式构建亮度调整函数；
[0022]步骤3.5、利用亮度调整函数对转换后的图像数据执行亮度调整；
[0023]步骤3.6、输出调整后的图像数据。
[0024]步骤4.2、将接收到的图像数据分割成预设数量的网格区域；
[0025]步骤4.3、根据图像数据对应的特征数据在网格区域中预测N个预测边界框；其中N为自然数；
[0026]步骤4.4、通过计算获得的置信度数值判断目标车辆是否存在于预测边界框中；
[0027]步骤4.5、输出分析结果；
[0028]其中，通过所述置信度判断目标车辆是否存在于边界框中的表达式为：
[0029][0030]式中，Pr表示预设边界框中是否存在目标车辆的标签，当存在时取值为1，反之，取值为0；表示预测边界框与真实边界框的交并比；
[0031]通过遍历的方式获取预测边界框中置信度最大的预测边界框，并将置信度最大的预测边界框作为目标车辆在当前帧中的位置。
[0032]当目标车辆出现被遮挡的情况时，利用所述轨迹预测模型执行目标车辆位置预测过程具体包括以下步骤：
[0033]步骤5.1、所述轨迹预测模型接收上一帧中提取到的目标车辆运动特征和外观可视特征；
[0034]步骤5.2、构建卡尔曼滤波器，将提取到的目标车辆运动特征和外观可视特征进行关联，并对目标车辆当前的位置进行预测；所述卡尔曼滤波器对当前帧中目标车辆位置执行预测的过程中，具体包括以下步骤：
[0035]步骤5.2.1、将接收的特征信息作为初始条件；
[0036]步骤5.2.2、构建状态转移矩阵；
[0037]步骤5.2.3、利用状态转移函数对目标车辆的运动状态均值和协方差进行估计；
[0038]H
t
＝Fx
t
‑1[0039]P
t
＝FP
t
‑1F
T
+Q
[0040]式中，X
t
表示目标车辆特征与所在位置的状态；x
t
‑1表示t
‑
1时刻的均值；F表示状态转移矩阵；Q表示高斯噪声的协方差；P
t
表示对应X
t
的协方差矩阵；
[0041]步骤5.2.4、根据估计值获得预测目标车辆所在的检测框位置。
[0042]在第一方面的一些可实现方式中，针对弱光环境下，目标车辆与周围环境对比度低的现象，通过对获取图像数据进行对比度增强的处理操作，有效提高弱光环境下车辆的识别准确率。同时，因为HIS模式在彩色空间中的亮度和色度是分离的，因此相比于现有技术中采用的RGB模式，占据更大的优势。
[0043]其中，RGB模式到HIS模式的转换表达式为：
[0044][0045][0046][0047]式中，R表示RGB模式中的红色；G表示RGB模式中的绿色；B表示RGB模式中的蓝色；H表示HIS模式中的色调；I表示HIS模式中的亮度；S表示HIS模式中的纯色被白光稀释的程度；
[0048]所述亮度调整函数表达式为：
[0049]Y＝αI
γ
[0050]式中，Y表示输出图像的亮度；I表示输入图像的亮度；α表示预设的修正系数；γ表示控制系数。
[0051]第二方面，提出一种被遮挡车辆的目标跟踪识别系统，用于实现被遮挡车辆的目标识别跟踪方法，该系统具体包括以下模块：
[0052]用于构建数据分析模型的模型构建模块；
[0053]用于捕捉目标车辆行驶视频数据的数据捕捉模块；
[0054]用于划分视频本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种被遮挡车辆的目标跟踪识别方法，其特征在于，具体包括以下步骤：步骤1、构建用于数据分析的目标车辆检测模型和轨迹预测模型；步骤2、通过信息采集设备捕捉目标车辆行驶中的视频数据；步骤3、通过视频帧为单位的方式划分所述视频数据；步骤4、所述目标车辆检测模型通过遍历视频数据的方式，按帧读取视频数据中每一帧图像数据，并对图像数据中车辆的位置进行分析，获取目标车辆的运动特征和外观可视特征；步骤5、判断当前帧中目标车辆检测模型是否检测到目标车辆；若存在，则继续读取下一帧视频数据；若不存在，则基于获得的目标车辆运动特征，采用所述轨迹预测模型预测目标车辆在当前帧中的位置；步骤6、汇总每帧图像数据中车辆的位置，获得车辆全程的行驶轨迹。2.根据权利要求1所述的一种被遮挡车辆的目标跟踪识别方法，其特征在于，利用所述目标车辆检测模型执行目标车辆检测识别的过程包括以下步骤：步骤4.1、所述目标车辆检测模型接收当前帧对应的图像数据；步骤4.2、将接收到的图像数据分割成预设数量的网格区域；步骤4.3、根据图像数据对应的特征数据在网格区域中预测N个预测边界框；其中N为自然数；步骤4.4、通过计算获得的置信度数值判断目标车辆是否存在于预测边界框中；步骤4.5、输出分析结果；其中，通过所述置信度判断目标车辆是否存在于边界框中的表达式为：式中，Pr表示预设边界框中是否存在目标车辆的标签，当存在时取值为1，反之，取值为0；表示预测边界框与真实边界框的交并比；通过遍历的方式获取预测边界框中置信度最大的预测边界框，并将置信度最大的预测边界框作为目标车辆在当前帧中的位置。3.根据权利要求1所述的一种被遮挡车辆的目标跟踪识别方法，其特征在于，为了提高所述目标车辆检测模型的性能，在执行目标车辆检测前，采用分类损失函数对目标车辆检测模型进行学习能力的优化。4.根据权利要求1所述的一种被遮挡车辆的目标跟踪识别方法，其特征在于，当目标车辆出现被遮挡的情况时，利用所述轨迹预测模型执行目标车辆位置预测过程具体包括以下步骤：步骤5.1、所述轨迹预测模型接收上一帧中提取到的目标车辆运动特征和外观可视特征；步骤5.2、构建卡尔曼滤波器，将提取到的目标车辆运动特征和外观可视特征进行关联，并对目标车辆当前的位置进行预测；所述卡尔曼滤波器对当前帧中目标车辆位置执行预测的过程中，具体包括以下步骤：步骤5.2.1、将接收的特征信息作为初始条件；步骤5.2.2、构建状态转移矩阵；
步骤5.2.3、利用状态转移函数对目标车辆的运动状态均值和协方差进行估计；H
t
＝Fx
t
‑1P
t
＝FP
t
‑1F
T
+Q式中，X
t
表示目标车辆特征与所在位置的状态；x
t
‑1表示t
‑
1时刻的均值；F表示状态转移矩阵；Q表示高斯噪声的协方差；P
t
表示对应X
t
...

【专利技术属性】
技术研发人员：余劲，蔡越，
申请(专利权)人：南京智蓝芯联信息科技有限公司，
类型：发明
国别省市：