一种道路目标检测方法、跟踪方法、检测系统及跟踪系统技术方案

本发明专利技术公开了一种道路目标检测方法、跟踪方法、检测系统及跟踪系统，道路目标检测方法采用深度学习的YOLOv3网络来实现道路交通的目标检测功能，收集包含目标的道路图片和道路视频，将数据制作成YOLO格式的数据集，在Darknet框架上训练出最优的行人和车辆的YOLOv3目标检测模型，提高目标检测的准确度；道路目标跟踪方法利用YOLOv3目标检测模型准确定位图片中的车辆的位置和大小等信息，结合目标跟踪算法对车流量进行跟踪，还通过设置一条虚拟检测线来统计道路上过往车辆的数量。条虚拟检测线来统计道路上过往车辆的数量。条虚拟检测线来统计道路上过往车辆的数量。

【技术实现步骤摘要】
一种道路目标检测方法、跟踪方法、检测系统及跟踪系统


[0001]本专利技术涉及道路交通目标检测相关
，尤其是涉及一种道路目标检测方法、跟踪方法、检测系统及跟踪系统。

技术介绍

[0002]随着我国的经济发展速度加快以及城市的规模不断扩张，同时人均占有车辆的数量不断增加，然而城市交通规划跟不上发展脚步，公共交通有待完善。这使得城市交通拥挤，早晚高峰堵塞和撞车的现象时有发生。为了解决这些问题，早期的做法是修建更多的道路，增强道路的车容量，从而提高整个交通系统的通行能力，但是这种做法也存在弊端，首先成本高，其次容易出现规划不合理，再次过多的施工会给城市带来环境污染等一系列问题。为了解决这些问题，结合计算机技术，通信技术，电子控制技术，人工智能技术等一体的智能交通系统应运而生。通过实时检测道路上的行人与车流量的动态变化，迅速做出对应的解决方案。
[0003]基于智能视频检测的方法被广泛应用于智能交通系统中，依靠交通视频监控系统来获取数据，不需要另外的设备和工具来做检测，这种方法具有很好的便利性。但是这种方法对目标检测算法以及跟踪算法的要求很高，尤其是在运行速度和检测精度方面，传统的方法难以满足现在的要求。

技术实现思路

[0004]本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出一种道路目标检测方法、跟踪方法、检测系统及跟踪系统，能提高道路交通目标检测和目标跟踪的准确度。
[0005]根据本专利技术的第一方面实施例的一种道路目标检测方法，所述道路目标检测方法包括：
[0006]获取包含目标的道路图片和道路视频，将所述道路图片和道路视频制作成VOC格式数据，并从所述VOC格式数据随机选取出训练数据；其中，所述目标包括车辆和行人；
[0007]设置Darknet53网络，所述Darknet53网络中的卷积层的filters数目为21，且classes数量为2；
[0008]通过所述训练数据训练所述Darknet53网络，得到训练完成的YOLOv3目标检测模型；
[0009]通过所述YOLOv3目标检测模型对待检测道路图片中的目标进行检测。
[0010]根据本专利技术实施例的道路目标检测方法，至少具有如下有益效果：
[0011]本方法采用深度学习的YOLOv3网络来实现道路交通的目标(行人和车辆)检测功能，首先需要收集包含目标的道路图片和道路视频，然后收集好的数据制作成YOLO格式的数据集，接着在Darknet框架上训练出最优的行人和车辆的YOLOv3目标检测模型。相较于现有网络，YOLOv3网络引入了FPN架构融合多尺度特征图信息来加强对小目标物体的检测，将
深层特征与浅层特征相融合，从多个不同尺度的特征图提取图像特征作为网络输入来进行多尺度预测，能够提高道路交通目标检测的准确度。
[0012]根据本申请的一些实施例，在所述通过所述训练数据训练所述Darknet53网络之前，所述道路目标检测方法还包括：
[0013]使用K
‑
Means聚类在所述训练数据中聚类出先验框，并将所述Darknet53网络中的初始先验框替换成聚类出的先验框。
[0014]根据本专利技术的第二方面实施例的一种基于所述道路目标检测方法的道路目标跟踪方法，所述道路目标跟踪方法包括：
[0015]从交通道路视频中提取出多帧连续图片；
[0016]在车道左右两侧标记两个点，并在每一帧所述图片中连接所述两个点，得到每一帧所述图片中的虚拟检测线；
[0017]将包含所述虚拟检测线的每一帧所述图片输入至所述YOLOv3目标检测模型中，得到所述YOLOv3目标检测模型输出的车辆的检测结果，并所述检测结果进行卡尔曼滤波检测，得到车辆的预测结果；
[0018]计算车辆的所述检测结果和所述预测结果的马氏距离和基于特征向量的余弦距离，并将所述马氏距离和基于特征向量的余弦距离融合，得到关联矩阵；基于所述关联矩阵，并利用匈牙利匹配算法以联级匹配的方式计算车辆的跟踪结果；
[0019]根据所述车辆的跟踪结果获取车辆的运动轨迹，当所述车辆的运动轨迹与所述虚拟检测线相交时，记录车辆的数量。
[0020]根据本专利技术实施例的道路目标跟踪方法，至少具有如下有益效果：
[0021]本方法利用YOLOv3目标检测模型定位当前帧图片中的车辆的位置和大小等信息，利用卡尔曼滤波器对其信息进行跟踪预测，从而预测到下一帧图片中车辆的位置和大小等信息。然后需要将检测结果与追踪结果进行关联，通过一定的度量规则，将检测结果与追踪结果进行关联匹配，得到最终的跟踪结果。本方法考虑了运动信息的关联和目标外观信息的关联，使用了融合度量的方式计算检测和跟踪轨迹之间的匹配程度，对频繁出现的目标赋予优先权使用级联匹配，具有优秀的目标跟踪性能；而且本方法还能通过设置一条虚拟检测线来统计道路上过往车辆的数量。
[0022]根据本申请的一些实施例，在所述记录车辆的数量之后，所述道路目标跟踪方法包括：
[0023]根据所述车辆的数量计算车道的车流量。
[0024]根据本申请的一些实施例，所述在车道左右两侧标记两个点，并在每一帧所述图片中连接所述两个点，包括：
[0025]通过python在需要跟踪的车道左右两侧标记两个点；
[0026]通过matplotlib读取每一帧所述图片中的所述两个点；
[0027]通过OpenCV进行划线连接所述图片中的两个点。
[0028]根据本申请的一些实施例，所述道路目标跟踪方法还包括：
[0029]确定当前帧图片的车辆的第一中心点，和所述当前帧图片的前一帧图片的车辆的第二中心点；
[0030]以车道的方向构建坐标系；
[0031]根据所述第一中心点与所述第二中心点在所述坐标系中的位置变化，判断车辆的运行方向。
[0032]根据本专利技术的第三方面实施例的一种道路目标检测系统，所述道路目标检测系统包括：
[0033]数据获取单元，用于获取包含目标的道路图片和道路视频，将所述道路图片和道路视频制作成VOC格式数据，并从所述VOC格式数据随机选取出训练数据；其中，所述目标包括车辆和行人；
[0034]网络设置单元，用于设置Darknet53网络，所述Darknet53网络中的卷积层的filters数目为21，且classes数量为2；
[0035]模型训练单元，用于通过所述训练数据训练所述Darknet53网络，得到训练完成的YOLOv3目标检测模型；
[0036]目标检测单元，用于通过所述YOLOv3目标检测模型对待检测道路图片中的目标进行检测。
[0037]由于道路目标检测系统采用了上述实施例的道路目标检测方法的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果。
[0038]根据本专利技术的第四方面实施例的一种道路目标跟踪系统，所述道路目标跟踪系统包括：
[0039]图片获取单元，用于从交通道路本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种道路目标检测方法，其特征在于，所述道路目标检测方法包括：获取包含目标的道路图片和道路视频，将所述道路图片和道路视频制作成VOC格式数据，并从所述VOC格式数据随机选取出训练数据；其中，所述目标包括车辆和行人；设置Darknet53网络，所述Darknet53网络中的卷积层的filters数目为21，且classes数量为2；通过所述训练数据训练所述Darknet53网络，得到训练完成的YOLOv3目标检测模型；通过所述YOLOv3目标检测模型对待检测道路图片中的目标进行检测。2.根据权利要求1所述的道路目标检测方法，其特征在于，在所述通过所述训练数据训练所述Darknet53网络之前，所述道路目标检测方法还包括：使用K
‑
Means聚类在所述训练数据中聚类出先验框，并将所述Darknet53网络中的初始先验框替换成聚类出的先验框。3.一种基于所述道路目标检测方法的道路目标跟踪方法，其特征在于，所述道路目标跟踪方法包括：从交通道路视频中提取出多帧连续图片；在车道左右两侧标记两个点，并在每一帧所述图片中连接所述两个点，得到每一帧所述图片中的虚拟检测线；将包含所述虚拟检测线的每一帧所述图片输入至所述YOLOv3目标检测模型中，得到所述YOLOv3目标检测模型输出的车辆的检测结果，并所述检测结果进行卡尔曼滤波检测，得到车辆的预测结果；计算车辆的所述检测结果和所述预测结果的马氏距离和基于特征向量的余弦距离，并将所述马氏距离和基于特征向量的余弦距离融合，得到关联矩阵；基于所述关联矩阵，并利用匈牙利匹配算法以联级匹配的方式计算车辆的跟踪结果；根据所述车辆的跟踪结果获取车辆的运动轨迹，当所述车辆的运动轨迹与所述虚拟检测线相交时，记录车辆的数量。4.根据权利要求3所述的道路目标跟踪方法，其特征在于，在所述记录车辆的数量之后，所述道路目标跟踪方法包括：根据所述车辆的数量计算车道的车流量。5.根据权利要求3所述的道路目标跟踪方法，其特征在于，所述在车道左右两侧标记两个点，并在每一帧所述图片中连接所述两个点，包括：通过python在需要跟踪的车道左右两侧标记两个点；通过matplotlib读取每一帧所述图片中的所述两个点；通过OpenCV进行划线连接所述图片中的两个点。6.根据权利要求3所述的道路目标跟踪方法，其特征在于，所述道路目标跟踪方法还包括：确定当前帧图片的车辆的第一中心点，和所述当前帧图片的前一帧图片的车辆的第二中心点；以车道的方向构建坐标系；根据所述第一中心点与所述第二中心点在所述坐标系中的位置变化，判断车辆的...

【专利技术属性】
技术研发人员：梁文柱，朱伟枝，谢娟烘，
申请(专利权)人：广东理工学院，
类型：发明
国别省市：