一种基于多源信息融合的车辆目标检测跟踪方法技术

本发明专利技术公开了一种基于多源信息融合的车辆目标检测跟踪方法，包括步骤1、获取车辆检测数据集，所述车辆检测数据集包括多张第一检测图像和多张第二检测图像；步骤2、对所述第一检测图像和所述第二检测图像进行标注；步骤3、对所述第一检测图像和所述第二检测图像进行时间和空间的同步配准；步骤4、采用高斯混合模型与贝叶斯理论对所述第一检测图像和所述第二检测图像进行融合检测，以得到融合后的检测结果；步骤5、基于融合后的检测结果，采用多源信息融合的检测跟踪算法实现对车辆目标最终的检测与跟踪。本发明专利技术的方法在实现快速检测的同时具有很高的检测精度，对复杂场景的车辆目标检测跟踪效果良好。检测跟踪效果良好。检测跟踪效果良好。

【技术实现步骤摘要】
一种基于多源信息融合的车辆目标检测跟踪方法


[0001]本专利技术属于目标检测跟踪
，具体涉及一种基于多源信息融合的车辆目标检测跟踪方法。

技术介绍

[0002]为了形成安全、高效、便捷、绿色的现代交通运输体系，当前我国已经在高速公路上部署了大量的视频监控系统，以达到监督驾驶员安全驾驶、检测道路状况、运输风险监测、辨识和防控等目的。然而，在当下已经部署的视频监控系统中，视频只能在良好环境下起到检测和跟踪的作用，由于视频的局限性，在雨、雪、雾、霾、沙尘等复杂环境下无法进行检测与识别，导致视频在恶劣环境下无法监督安全驾驶、检测道路状况的目的。因此，还需要增加穿透力强的检测设备，比如毫米波雷达、激光雷达等。随着计算机技术的高速发展，目前在图像识别、雷达检测、目标跟踪、信息融合、车联网和车路协同等技术已经有了极大的发展，在这些技术的基础上展开进一步的研究以及技术融合，有助于突破道路运输风险监测、辨识和防控的技术瓶颈，实现道路运行风险的快速识别和有效防控。将雷达和视频进行一体化融合，充分发挥二者的优点，解决多源信息融合的检测跟踪是首要任务。
[0003]视频和雷达是实现交通风险监测的基础设备，雷达、视频检测技术的进步以及人工智能等新技术的发展，给道路运输网的交通行为监控系统带来了更大的活力。然而，目前基于雷达、视频的检测技术仍受绊于复杂的道路交通场景、多源异构的交通风险等，遮挡问题、尺寸变化问题、数据融合问题屡见不鲜，这些均制约着交通行为全天候在线识别和风险辨识的精度。
[0004]因此，解决交通目标稳定跟踪与智能感知问题，提升交通行为辨识的精准性，提高对道路网络运行风险识别的有效性迫在眉睫。

技术实现思路

[0005]为了解决现有技术中存在的上述问题，本专利技术提供了一种基于多源信息融合的车辆目标检测跟踪方法。本专利技术要解决的技术问题通过以下技术方案实现：
[0006]一种基于多源信息融合的车辆目标检测跟踪方法，所述车辆目标检测跟踪方法包括：
[0007]步骤1、获取车辆检测数据集，所述车辆检测数据集包括多张第一检测图像和多张第二检测图像，所述第一检测图像为视频监测设备对应的图像，所述第二检测图像为雷达设备对应的图像；
[0008]步骤2、对所述第一检测图像和所述第二检测图像进行标注；
[0009]步骤3、对所述第一检测图像和所述第二检测图像进行时间和空间的同步配准；
[0010]步骤4、采用高斯混合模型与贝叶斯理论对所述第一检测图像和所述第二检测图像进行融合检测，以得到融合后的检测结果；
[0011]步骤5、基于融合后的检测结果，采用多源信息融合的检测跟踪算法实现对车辆目
标最终的检测与跟踪。
[0012]在本专利技术的一个实施例中，所述步骤2包括：
[0013]利用标注框将所述第一检测图像和所述第二检测图像中的车辆进行标注，并根据车辆大小、车道位置和出现次序对所述第一检测图像和所述第二检测图像中的车辆进行标注。
[0014]在本专利技术的一个实施例中，所述步骤3包括：
[0015]步骤3.1、对所述第一检测图像和所述第二检测图像进行时间配准；
[0016]步骤3.2、对所述第一检测图像和所述第二检测图像进行空间配准。
[0017]在本专利技术的一个实施例中，所述步骤3.1包括：
[0018]判断所述第一检测图像和所述第二检测图像的帧号和时间是否一致，若一致，则完成时间配准。
[0019]在本专利技术的一个实施例中，所述步骤3.2包括：
[0020]步骤3.21、将雷达设备坐标系下的坐标转换到以视频监测设备为中心的世界坐标系中；
[0021]步骤3.22、将世界坐标系的坐标转换到视频监测设备坐标系中；
[0022]步骤3.23、将视频监测设备坐标系的坐标转换到图像坐标系中。
[0023]在本专利技术的一个实施例中，所述步骤4包括：
[0024]步骤4.1、基于高斯分布，对雷达的检测结果相对于真实值的位置分布f(x1,y1)进行积分，得到概率分布F(x1,y1)，对视频的检测结果相对于真实值的位置分布f(x2,y2)进行积分，得到概率分布F(x2,y2)；
[0025]步骤4.2、基于贝叶斯公式，根据所述概率分布F(x1,y1)和所述概率分布F(x2,y2)得到目标的真实位置B
i
相对于检测结果A的概率P(B
i
│
A)；
[0026]步骤4.3、选取一预设区域，所述预设区域包括在所述第一检测图像的目标位置和在所述第二检测图像的目标位置，将所述预设区域中的每个像素和概率P(B
i
│
A)进行联合概率计算，输出联合概率最高的位置为融合后的检测结果。
[0027]在本专利技术的一个实施例中，所述步骤5包括：
[0028]步骤5.1、利用目标检测算法获得第k帧检测目标集合detections；
[0029]步骤5.2、采用数据关联算法建立目标与轨迹的关联矩阵；
[0030]步骤5.3、利用跟踪器模板在当前第k帧循环检测，计算最大响应值，确定目标预测位置，实现轨迹跟踪。
[0031]在本专利技术的一个实施例中，所述步骤5.3包括：
[0032]步骤5.31、初始化KCF跟踪器；
[0033]步骤5.32、更新目标位置；
[0034]步骤5.33、更新跟踪器模板。
[0035]在本专利技术的一个实施例中，在所述步骤5.3之后，还包括：
[0036]步骤5.4、采用卡尔曼滤波对遮挡目标进行位置预测。
[0037]在本专利技术的一个实施例中，所述步骤5.4包括：
[0038]步骤5.41、利用第k
‑
1帧状态值预测第k帧的状态；
[0039]步骤5.42、计算卡尔曼增益K
k
；
[0040]步骤5.43、用观测值Z
k
对预测结果进行更新，对预测结果和观测结果做加权平均，得到当前时刻的状态估计，同时，更新协方差P
k
。
[0041]本专利技术的有益效果：
[0042]1、本专利技术利用多源信息融合的方法对不同场景下车辆的目标检测作了更为准确的估计，增强了复杂场景下车辆目标的检测跟踪能力；针对不同距离以及天气下对视频雷达进行优缺互补，在视频监测优势的区域，制定一种以视频检测信息为主的融合检测策略；在雷达监测的优势区域，制定一种以雷达检测信息为主的融合检测策略；在雷达和视频共有的优势区域，制定一种均衡的融合检测策略。
[0043]2、在分别获得了雷达与相机的检测与跟踪结果后，为了实现雷达与相机的融合检测跟踪，设计了一种基于高斯混合模型和贝叶斯理论的雷达视频一体化检测跟踪融合算法。得到真实值相对于检测结果的分布后，结合卡尔曼滤波对真实值的预测信息，即可获得雷达视频信息融合后的目标位置。
[0044]3、对于获取到的数据帧中存在的漏检和遮挡问本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多源信息融合的车辆目标检测跟踪方法，其特征在于，所述车辆目标检测跟踪方法包括：步骤1、获取车辆检测数据集，所述车辆检测数据集包括多张第一检测图像和多张第二检测图像，所述第一检测图像为视频监测设备对应的图像，所述第二检测图像为雷达设备对应的图像；步骤2、对所述第一检测图像和所述第二检测图像进行标注；步骤3、对所述第一检测图像和所述第二检测图像进行时间和空间的同步配准；步骤4、采用高斯混合模型与贝叶斯理论对所述第一检测图像和所述第二检测图像进行融合检测，以得到融合后的检测结果；步骤5、基于融合后的检测结果，采用多源信息融合的检测跟踪算法实现对车辆目标最终的检测与跟踪。2.根据权利要求1所述的基于多源信息融合的车辆目标检测跟踪方法，其特征在于，所述步骤2包括：利用标注框将所述第一检测图像和所述第二检测图像中的车辆进行标注，并根据车辆大小、车道位置和出现次序对所述第一检测图像和所述第二检测图像中的车辆进行标注。3.根据权利要求1所述的基于多源信息融合的车辆目标检测跟踪方法，其特征在于，所述步骤3包括：步骤3.1、对所述第一检测图像和所述第二检测图像进行时间配准；步骤3.2、对所述第一检测图像和所述第二检测图像进行空间配准。4.根据权利要求3所述的基于多源信息融合的车辆目标检测跟踪方法，其特征在于，所述步骤3.1包括：判断所述第一检测图像和所述第二检测图像的帧号和时间是否一致，若一致，则完成时间配准。5.根据权利要求3所述的基于多源信息融合的车辆目标检测跟踪方法，其特征在于，所述步骤3.2包括：步骤3.21、将雷达设备坐标系下的坐标转换到以视频监测设备为中心的世界坐标系中；步骤3.22、将世界坐标系的坐标转换到视频监测设备坐标系中；步骤3.23、将视频监测设备坐标系的坐标转换到图像坐标系中。6.根据权利要求1所述的基于多源信息融合的车辆目标检测跟踪方法，其特征在于，所述步骤4包括：步骤4.1、基于高斯分布，对雷达的检测结果相对于真实值的位置分布f(x1,y1)进行积分，...

【专利技术属性】
技术研发人员：崔华，黄云飞，张昊昊，
申请(专利权)人：长安大学，
类型：发明
国别省市：