预览加载中,请您耐心等待几秒...
1/10
2/10
3/10
4/10
5/10
6/10
7/10
8/10
9/10
10/10

在线预览结束,喜欢就下载吧,查找使用更方便

如果您无法下载资料,请参考说明:

1、部分资料下载需要金币,请确保您的账户上有足够的金币

2、已购买过的文档,再次下载不重复扣费

3、资料包下载后请先用软件解压,在使用对应软件打开

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113658222A(43)申请公布日2021.11.16(21)申请号202110882079.5(22)申请日2021.08.02(71)申请人上海影谱科技有限公司地址201718上海市青浦区金泽镇(西岑)水秀路318号108室(72)发明人吉长江(74)专利代理机构北京万思博知识产权代理有限公司11694代理人冀婷(51)Int.Cl.G06T7/246(2017.01)G06T7/73(2017.01)G06K9/62(2006.01)G06N3/08(2006.01)权利要求书1页说明书5页附图3页(54)发明名称一种车辆检测跟踪方法及装置(57)摘要本申请公开了一种车辆检测跟踪方法及装置。所述方法包括:对Yolo目标检测器进行训练;利用训练好的Yolo目标检测器检测视频每一帧中车辆的类型和位置;利用IOU跟踪器对Yolo目标检测器的输出和历史车辆中的IOU进行匹配并分配唯一的ID。所述装置包括:训练模块,其配置成对Yolo目标检测器进行训练;检测模块,其配置成利用训练好的Yolo目标检测器检测视频每一帧中车辆的类型和位置;和匹配模块,其配置成利用IOU跟踪器对Yolo目标检测器的输出和历史车辆中的IOU进行匹配并分配唯一的ID。CN113658222ACN113658222A权利要求书1/1页1.一种车辆检测跟踪方法,包括:对Yolo目标检测器进行训练;利用训练好的Yolo目标检测器检测视频每一帧中车辆的类型和位置;利用IOU跟踪器对Yolo目标检测器的输出和历史车辆中的IOU进行匹配并分配唯一的ID。2.根据权利要求1所述的方法,其特征在于,所述对Yolo目标检测器进行训练包括:对Yolo目标检测器进行数据增强和焦点损失训练。3.根据权利要求2所述的方法,其特征在于,在所述对Yolo目标检测器进行训练之前,所述方法还包括:通过随机几何变换和随机颜色抖动对原始训练数据集进行扩充。4.根据权利要求1至3中任一项所述的方法,其特征在于,在对Yolo目标检测器进行训练以及利用训练好的Yolo目标检测器检测视频每一帧中车辆的类型和位置的过程中,将焦点损失作为对象置信度。5.根据权利要求1‑4中任一项所述的方法,其特征在于,所述对Yolo目标检测器进行训练的过程中,每个GPU的Yolo批处理同步化。6.根据权利要求1‑5中任一项所述的方法,其特征在于,所述利用IOU跟踪器对Yolo目标检测器的输出和历史车辆中的IOU进行匹配并分配唯一的ID包括:对于当前帧的每个框,分别计算该框与前一帧中每个框之间的F‑IOU,所述F‑IOU为两帧之间的联合上方交集,将最大的F‑IOU所对应的两个框中的车辆记为同一车辆,形成所述车辆的轨迹;计算当前帧中每个车辆的F‑IOU以及每个轨迹的最后若干个框;当某一车辆与某一轨迹之间的F‑IOU最大且超过阈值时,将该车辆添加到该轨迹,否则,用该车辆创建新的轨迹,并将该轨迹加入轨迹集合。7.一种车辆检测跟踪装置,包括:训练模块,其配置成对Yolo目标检测器进行训练;检测模块,其配置成利用训练好的Yolo目标检测器检测视频每一帧中车辆的类型和位置;和匹配模块,其配置成利用IOU跟踪器对Yolo目标检测器的输出和历史车辆中的IOU进行匹配并分配唯一的ID。8.根据权利要求7所述的装置,其特征在于,所述训练模块中,对Yolo目标检测器进行训练包括:对Yolo目标检测器进行数据增强和焦点损失训练。9.根据权利要求7或8所述的装置,其特征在于,所述训练模块和检测模块中,将焦点损失作为对象置信度。10.根据权利要求7至9中任一项所述的装置,其特征在于,所述训练模块中,每个GPU的Yolo批处理同步化。2CN113658222A说明书1/5页一种车辆检测跟踪方法及装置技术领域[0001]本申请涉及视频中的车辆运动行为识别领域,特别是涉及车辆运动行为识别中的轨迹识别。背景技术[0002]轨迹识别是车辆运动行为识别的基础。通过车辆轨迹,道路管理员可以获取有关异常车辆行为的信息,例如非法车道变更、异常停车等。轨迹识别可以简单地描述为对象检测和对象跟踪的融合。车辆轨迹识别中的主要任务可以描述如下:启动和检测运动中的车辆轨迹,使用坐标和运动参数的估计来跟踪车辆轨迹,识别被观察车辆的类别。随着卷积神经网络技术和目标检测技术的飞速发展,关于轨迹识别的主流研究都集中在按检测跟踪的方法上,这些轨迹识别算法利用目标检测的输出来跟踪车辆,从而实现了速度和准确性之间的平衡。对象检测旨在在给定图像中定位特定类别的语义对象的实例。在深度学习时代之前,它的典型检测过程可以分为三个步骤:提案生成、特征向量化和分类。随着深度学习的发展以及深度卷积神经[0003]网络(DCNN