【技术实现步骤摘要】
一种适于监控视频下的车辆目标跟踪方法
[0001]本专利技术属于智能交通
,具体涉及一种适于监控视频下的车辆目标跟踪方法。
技术介绍
[0002]车辆跟踪技术是智能交通系统中非常重要的一项技术,它可以实现对交通道路中的车辆实时监控和跟踪,为交通管理和控制提供重要的数据支持和决策依据。车辆目标跟踪对于研究车辆目标的行为特点具有重要的实用价值。通过对车辆的实时跟踪和监控,可以获取道路交通数据,对车辆运动行为进行分析,从而优化交通流量,提高道路通行能力和交通的安全性。但是在交通场景下,车辆运动带来的车辆间频繁的遮挡、运动模糊、多尺度和变尺度,以及车辆间的相似性,给车辆准确跟踪带来了巨大挑战。因此,如何准确的对车辆进行跟踪,成为了当下智能交通系统研究的一大难点。
[0003]车辆跟踪要使用多目标跟踪算法,多目标跟踪算法主要分为两类:一个是基于检测的跟踪范式,另一个是联合检测跟踪范式。现目前使用深度学习的车辆目标跟踪方法大多是基于检测的跟踪模型。基于检测的跟踪范式又称两阶段的跟踪方法,该方法首先对图像中的目标进行检测,确定目标的位置、大小和类型,并利用跟踪算法对相邻帧中的同一目标进行跟踪。此类方法的缺点是目标跟踪的效果依赖于检测的效果,并且检测任务和跟踪任务相互隔离,无法共享信息,难以在复杂场景下准确的进行车辆跟踪。
[0004]现有的基于检测的跟踪方法实际应用到交通场景中,由于车辆目标间的频繁遮挡、车辆目标的尺度快速变化,以及车辆间的相似性和复杂的交通环境等因素导致难以准确稳定的跟踪车辆。
[0 ...
【技术保护点】
【技术特征摘要】
1.一种适于监控视频下的车辆目标跟踪方法,其特征在于,包括以下步骤:S1.改进联合检测跟踪模型TransCenter的主干网络结构,利用卷积结构构建注意力模块;S2.改进联合检测跟踪模型TransCenter的特征融合网络,利用矩阵分解模型构建多尺度特征融合网络;S3.设计多特征多级车辆目标匹配算法;S4.在公开的车辆目标跟踪数据集UA
‑
DETRAC上训练联合车辆目标检测跟踪模型;S5.使用训练的模型跟踪监控视频下的车辆目标。2.根据权利要求1所述的一种适于监控视频下的车辆目标跟踪方法,其特征在于,所述步骤S1包括以下子步骤:S1.1通过大核卷积构建多分支大核卷积注意力模块MS
‑
LKCA,注意力模块能够利用多分支结构提取图像上不同尺度的特征信息,并进行多尺度特征聚合,聚合后的特征信息能够作为注意力权重;其中,大核卷积能够分解、结合,所述大核卷积包括深度可分离空洞卷积Dw
‑
D
‑
Conv、深度可分离卷积Dw
‑
Conv和1
×
1卷积;S1.2基于MS
‑
LKCA构建编码器模块,所述编码器模块包括BN层、1
×
1卷积、GELU激活层、MS
‑
LKCA模块和前馈网络FFN;S1.3基于步骤S1.2构建的编码器模块搭建主干网络,主干网络分为四个阶段:Stage1、Stage2、Stage3和Stage4;S1.4将视频序列的当前帧图像和前一帧图像输入主干网络,提取主干网络Stage1、Stage2、Stage3和Stage4对应的特征图F1、F2、F3和F4,特征图作为后续网络的输入。3.根据权利要求2所述的一种适于监控视频下的车辆目标跟踪方法,其特征在于:所述步骤S1.3中,在主干网络的四个阶段,输出特征的空间分辨率依次递减,分别为步骤S1.3中,在主干网络的四个阶段,输出特征的空间分辨率依次递减,分别为和其中,H表示输入图像的高度;W表示输入图像宽度。4.根据权利要求2所述的一种适于监控视频下的车辆目标跟踪方法,其特征在于:所述步骤S1.3中,四个阶段对应的编码器模块数量分别为3、3、12和3。5.根据权利要求2所述的一种适于监控视频下的车辆目标跟踪方法,其特征在于,所述步骤S2包括以下子步骤:S2.1通过矩阵分解模型MD、可变形卷积和通道注意力模...
【专利技术属性】
技术研发人员:廖孝勇,赵敏,孙棣华,岳强,李俊异,陈力云,代振,杨洁,
申请(专利权)人:重庆数字交通产业有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。