一种适于监控视频下的车辆目标跟踪方法技术

本发明专利技术公开了一种适于监控视频下的车辆目标跟踪方法，包括以下步骤：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；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；设计多特征多级车辆目标匹配算法；在公开的车辆目标跟踪数据集UA

【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。
[0005]查阅相关专利发现，中国专利公开了一种多目标车辆跟踪方法(公告号：CN113674328A)，其提出了一种基于检测模型的车辆多目标跟踪方法，通过RFB
‑
Net检测器对输入视频帧进行目标车辆检测，但RFB
‑
Net在不同尺度的目标检测上表现不一，可能会出现漏检和误检等问题，此外在拥挤场景中，RFB
‑
Net难以准确检测和定位目标。中国专利还公开了一种基于YOLOv4的多目标车辆检测跟踪方法(公告号：CN113205108A)，其通过改进的YOLOv4目标检测网络对视频帧进行车辆检测，并通过卡尔曼滤波器对车辆位置进行预测，但卡尔曼滤波器难以适应非线性运动车辆的位置预测。上述专利与原技术相比，检测性能有所提高，但仍存在漏检、误检、具有局限性，难以预测非线性运动车辆位置的问题。
[0006]因此，亟需一种准确性更高、稳定性更强的适于监控视频下的车辆目标跟踪方法。

技术实现思路

[0007]有鉴于此，本专利技术的目的在于提供一种适于监控视频下的车辆目标跟踪方法。本专利技术旨解决现有车辆目标跟踪方法准确性差、稳定性低，难以应用于实际的问题。
[0008]为达到上述目的，本专利技术提供了一种适于监控视频下的车辆目标跟踪方法，包括以下步骤：
[0009]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；
[0010]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；
[0011]S3.设计多特征多级车辆目标匹配算法；
[0012]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；
[0013]S5.使用训练的模型跟踪监控视频下的车辆目标。
[0014]进一步，所述步骤S1包括以下子步骤：
[0015]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；
[0016]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；
[0017]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；
[0018]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；
[0019]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。
[0020]进一步，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，分别为和其中，H表示输入图像的高度；W表示输入图像宽度。
[0021]进一步，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。
[0022]进一步，所述步骤S2包括以下子步骤：
[0023]S2.1通过矩阵分解模型MD、可变形卷积和通道注意力模块构建多尺度特征融合模块MDFF；
[0024]S2.2基于MDFF设计多尺度特征融合网络；
[0025]将主干网络四个阶段提取到的不同尺度的特征图F1、F2、F3、F4上采样到同一分辨率再将四个特征图在通道维度上级联并通过MDFF模块进行特征融合，最终得到融合后的特征图φ，特征图φ用于后续各任务分支。
[0026]进一步，所述步骤S2.2中，特征图φ的大小为
[0027]进一步，所述步骤S3包括以下子步骤：
[0028]S3.1输入当前帧的检测结果和历史跟踪轨迹集，使用GIoU计算两者之间的运动相似度进行匹配；
[0029]轨迹匹配成功，更新轨迹的外观特征、边界框信息和目标ID信息，并存入历史跟踪轨迹集中；轨迹未匹配成功，保留轨迹，存入失活跟踪轨迹集中，存活周期设置为60帧；
[0030]S3.2使用GIoU计算未匹配成功的检测结果和失活的轨迹与历史跟踪轨迹的运动相似度，从而对失活的轨迹进行重识别匹配；
[0031]轨迹匹配成功，更新轨迹的外观特征、边界框信息和目标ID信息，将轨迹从失活跟踪轨迹集中取出存入历史跟踪轨迹集；轨迹未匹配成功，仍保留在失活跟踪轨迹集中；
[0032]S3.3对于还未匹配成功的检测结果和失活的轨迹再次进行外观特征上的重识别匹配，计算两者外观特征的余弦距离，从而对失活的轨迹进行重识别匹配；
[0033]轨迹匹配成功，更新轨迹的外观特征、边界框信息和目标ID信息，将轨迹从失活跟踪轨迹集中取出存入历史跟踪轨迹集；轨迹未匹配成功，仍保留在失活跟踪轨迹集中；
[0034]S3.4对于最终还未匹配成功的检测，进行轨迹初始化；对于失活的轨迹，存在周期超过60帧的丢弃，存在周期60帧以内的继续保留在失活跟踪轨迹集本文档来自技高网...

【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：