一种轻量化的Deepsort车辆跟踪方法技术

本发明专利技术涉及车辆跟踪技术领域，具体地涉及一种轻量化的Deepsort车辆跟踪方法，通过结合ShuffleAttention模块和新增检测尺度作为主干网络对车辆视频流进行特征提取。在此过程中ShuffleAttention模块用于从通道注意力和空间注意力两个维度分别捕获通道间的依赖关系和空间的像素级关系，通过两种注意力的并行结合排除其他信息干扰；采用特征金字塔和路径聚合结构增强网络对不同尺度目标的检测能力。在跟踪阶段，通过轻量化卷积GhostNet，以更窄的网络层实现相同的外观语义提取效果，改善车辆跟踪及车流统计的实时性，避免由于特征提取网络过深造成的实时性较差问题。络过深造成的实时性较差问题。络过深造成的实时性较差问题。

【技术实现步骤摘要】
一种轻量化的Deepsort车辆跟踪方法


[0001]本专利技术涉及车辆跟踪
，具体地涉及一种轻量化的Deepsort车辆跟踪方法。

技术介绍

[0002]在高速公路交通场景下，车辆轨迹几乎可以提供运动车辆的所有动态信息。分析视频场景内的车辆轨迹能够动态掌握高速公路交通信息，获取大范围视频监控区域内的整体公路交通情况，有助于公路交通管理人员进行交通分析、预测和控制。目前的视频分析技术中，目标检测能够获取图像中的目标位置，目标跟踪可以在目标检测之后持续锁定车辆目标，两者结合可以提取运动车辆轨迹信息。但视频场景内的车辆目标的数量及运动特征具有随机性，造成车辆运动特征提取异常复杂。传统的目标检测及跟踪技术受限于复杂的交通场景，易受环境变化影响。近年来，随着深度学习技术的发展，目标检测及跟踪技术在识别精度及速度大得到优化，并具备了更强的学习能力及分类能力。为进一步提高跟踪及检测精度，改善特征网络提取网络模型过重造成的实时性差的问题，有必要设计一种轻量化的Deepsort车辆跟踪方法。

技术实现思路

[0003]本专利技术的目的在于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轻量化的Deepsort车辆跟踪方法，其特征在于，包括：步骤1、获取公路车辆视频数据，将包含车辆目标的视频流进行逐帧处理；步骤2、将步骤1中抽取的视频帧图片输入到YOLOV5主干网络中提取特征，获得不同尺度特征图；步骤3、将步骤2获取的不同尺度特征图送入YOLOV5特征融合网络融合不同尺度的强语义信息与强定位信息；步骤4、收敛模型获得车辆目标的预测位置与置信度信息；步骤5、将步骤4获得的车辆目标信息输入作为跟踪器输入，针对检测框分配跟踪器；步骤6、初始化卡尔曼滤波器，通过卡尔曼滤波预测目标在当前帧的位置；步骤7、将步骤4获取的车辆目标信息与步骤6预测的车辆目标信息进行匹配计算；步骤8、更新跟踪器与卡尔曼滤波器，输出匹配结果。2.根据权利要求1所述的轻量化的Deepsort车辆跟踪方法，其特征在于：所述YOLOV5负责处理采集到的视频监控数据，输出相应目标检测结果，利用Deepsort跟踪所述目标检测结果，根据分配的ID对车流进行统计。3.根据权利要求1所述的轻量化的Deepsort车辆跟踪方法，其特征在于：所述的主干网络为融合ShuffleAttention模块和4尺度输出的YOLOV5主干网络。4.根据权利要求3所述的轻量化的Deepsort车辆跟踪方法，其特征在于：步骤1所述的视频帧输入到主干网络提取特征的过程中，所述ShuffleAttention用于更新特征矩阵，高效融合通道与空间注意力机制，增强网络特征提取能力；所述的4尺度输出融合更浅层强定位信息与深层强语义信息，增强模型的多尺度检测能力。5.根据权利要求1所述的轻量化的Deepsort车辆跟踪方法，其特征在...

【专利技术属性】
技术研发人员：郑狄，李晶，姚涛，闫连山，蒲桂东，
申请(专利权)人：艾迪恩山东科技有限公司，
类型：发明
国别省市：