本發(fā)明涉及計(jì)算機(jī)視覺和深度學(xué)習(xí)，特別是涉及一種基于deepsort算法的城市道路目標(biāo)檢測與跟蹤識別方法。

背景技術(shù)：

1、在智能交通系統(tǒng)(its)中，精確識別和跟蹤道路上的車輛、行人及非機(jī)動車是實(shí)現(xiàn)道路安全和交通管理的關(guān)鍵技術(shù)。

2、目前，現(xiàn)有技術(shù)中的城市道路目標(biāo)檢測與跟蹤識別方法由于道路環(huán)境復(fù)雜、光照變化以及目標(biāo)互相遮擋等因素，導(dǎo)致目標(biāo)的檢測及跟蹤性能較差，存在運(yùn)算量大，精度低等問題，使用起來十分不便。因此，設(shè)計(jì)一種基于deepsort算法的城市道路目標(biāo)檢測與跟蹤識別方法是十分有必要的。

技術(shù)實(shí)現(xiàn)思路

1、為了克服現(xiàn)有技術(shù)的不足，本發(fā)明的目的是提供一種基于deepsort算法的城市道路目標(biāo)檢測與跟蹤識別方法。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供了如下方案：

3、一種基于deepsort算法的城市道路目標(biāo)檢測與跟蹤識別方法，包括：

4、獲取城市道路目標(biāo)圖像；

5、對獲取的圖像進(jìn)行進(jìn)行預(yù)處理，構(gòu)建城市道路目標(biāo)檢測數(shù)據(jù)集；

6、構(gòu)建城市道路目標(biāo)檢測模型與城市道路目標(biāo)檢跟蹤模型；

7、基于城市道路目標(biāo)檢測數(shù)據(jù)集對城市道路目標(biāo)檢測模型進(jìn)行訓(xùn)練，基于預(yù)設(shè)的城市道路目標(biāo)檢跟蹤數(shù)據(jù)集對城市道路目標(biāo)檢跟蹤模型進(jìn)行訓(xùn)練，得到最終的城市道路目標(biāo)檢測模型及城市道路目標(biāo)檢跟蹤模型；

8、將待檢測視頻輸入最終的城市道路目標(biāo)檢測模型及城市道路目標(biāo)檢跟蹤模型中，通過城市道路目標(biāo)檢測模型進(jìn)行城市道路目標(biāo)檢測，基于檢測結(jié)果，通過城市道路目標(biāo)檢跟蹤模型對檢測結(jié)果進(jìn)行跟蹤，輸出跟蹤結(jié)果。

9、優(yōu)選地，獲取城市道路目標(biāo)圖像，具體為：

10、獲取拍照、網(wǎng)絡(luò)下載及公開數(shù)據(jù)集獲取，按照car、person、bus、bicycle、train、motorcycle六個(gè)類別篩選并城市道路目標(biāo)圖像，其中，涵蓋天氣為晴天、陰天、雨天及霧天多個(gè)場景。

11、優(yōu)選地，對獲取的圖像進(jìn)行進(jìn)行預(yù)處理，構(gòu)建城市道路目標(biāo)檢測數(shù)據(jù)集，具體為：

12、獲取城市道路目標(biāo)圖像中的低照度圖像，對其進(jìn)行圖像增強(qiáng)處理；

13、隨機(jī)抽取城市道路目標(biāo)圖像中的部分圖像，對其進(jìn)行圖像加噪處理及圖像模糊處理；

14、基于labelimg標(biāo)注工具對原始城市道路目標(biāo)圖像、經(jīng)過圖像增強(qiáng)處理后的低照度圖像以及經(jīng)過圖像加噪處理及圖像模糊處理后的部分圖像進(jìn)行標(biāo)注，構(gòu)建城市道路目標(biāo)檢測數(shù)據(jù)集。

15、優(yōu)選地，獲取城市道路目標(biāo)圖像中的低照度圖像，對其進(jìn)行圖像增強(qiáng)處理，具體為：

16、構(gòu)建image-to-patch增強(qiáng)模型，并基于預(yù)設(shè)數(shù)據(jù)集對其進(jìn)行預(yù)訓(xùn)練處理；

17、獲取城市道路目標(biāo)中的低照度圖像，并將其輸入預(yù)訓(xùn)練的image-to-patch增強(qiáng)模型中，得到處理后的低照度圖像。

18、優(yōu)選地，所述城市道路目標(biāo)檢測模型為改進(jìn)后的yolov4模型，具體改進(jìn)包括：

19、將傳統(tǒng)yolov4模型的標(biāo)準(zhǔn)卷積替換為深度可分離卷積；

20、在傳統(tǒng)yolov4模型的三個(gè)輸出層的基礎(chǔ)上，增加一層網(wǎng)格為104×104的輸出層；

21、在傳統(tǒng)yolov4模型的head部分引入部分inceptionv3結(jié)構(gòu)。

22、優(yōu)選地，所述城市道路目標(biāo)檢跟蹤模型為deepsort模型。

23、根據(jù)本發(fā)明提供的具體實(shí)施例，本發(fā)明公開了以下技術(shù)效果：

24、本發(fā)明提供了一種基于deepsort算法的城市道路目標(biāo)檢測與跟蹤識別方法，方法包括：獲取城市道路目標(biāo)圖像，對獲取的圖像進(jìn)行進(jìn)行預(yù)處理，構(gòu)建城市道路目標(biāo)檢測數(shù)據(jù)集，構(gòu)建城市道路目標(biāo)檢測與跟蹤模型，基于城市道路目標(biāo)檢測數(shù)據(jù)集對城市道路目標(biāo)檢測與跟蹤模型進(jìn)行訓(xùn)練，得到最終的城市道路目標(biāo)檢測與跟蹤模型，將待檢測視頻輸入最終的城市道路目標(biāo)檢測與跟蹤模型，得到檢測結(jié)果。本發(fā)明通過優(yōu)化目標(biāo)檢測和跟蹤過程，實(shí)現(xiàn)目標(biāo)跟蹤的精度提升，便于使用。

技術(shù)特征：

1.一種基于deepsort算法的城市道路目標(biāo)檢測與跟蹤識別方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的基于deepsort算法的城市道路目標(biāo)檢測與跟蹤識別方法，其特征在于，獲取城市道路目標(biāo)圖像，具體為：

3.根據(jù)權(quán)利要求1所述的基于deepsort算法的城市道路目標(biāo)檢測與跟蹤識別方法，其特征在于，對獲取的圖像進(jìn)行進(jìn)行預(yù)處理，構(gòu)建城市道路目標(biāo)檢測數(shù)據(jù)集，具體為：

4.根據(jù)權(quán)利要求3所述的基于deepsort算法的城市道路目標(biāo)檢測與跟蹤識別方法，其特征在于，獲取城市道路目標(biāo)圖像中的低照度圖像，對其進(jìn)行圖像增強(qiáng)處理，具體為：

5.根據(jù)權(quán)利要求1所述的基于deepsort算法的城市道路目標(biāo)檢測與跟蹤識別方法，其特征在于，所述城市道路目標(biāo)檢測模型為改進(jìn)后的yolov4模型，具體改進(jìn)包括：

6.根據(jù)權(quán)利要求1所述的基于deepsort算法的城市道路目標(biāo)檢測與跟蹤識別方法，其特征在于，所述城市道路目標(biāo)檢跟蹤模型為deepsort模型。

技術(shù)總結(jié)
本發(fā)明提供了一種基于Deepsort算法的城市道路目標(biāo)檢測與跟蹤識別方法，包括：獲取城市道路目標(biāo)圖像，對獲取的圖像進(jìn)行進(jìn)行預(yù)處理，構(gòu)建城市道路目標(biāo)檢測數(shù)據(jù)集，構(gòu)建城市道路目標(biāo)檢測模型與城市道路目標(biāo)檢跟蹤模型，基于城市道路目標(biāo)檢測數(shù)據(jù)集對城市道路目標(biāo)檢測模型進(jìn)行訓(xùn)練，基于預(yù)設(shè)的城市道路目標(biāo)檢跟蹤數(shù)據(jù)集對城市道路目標(biāo)檢跟蹤模型進(jìn)行訓(xùn)練，得到模型，將待檢測視頻輸入最終的城市道路目標(biāo)檢測模型及城市道路目標(biāo)檢跟蹤模型中，通過城市道路目標(biāo)檢測模型進(jìn)行城市道路目標(biāo)檢測，基于檢測結(jié)果，通過城市道路目標(biāo)檢跟蹤模型對檢測結(jié)果進(jìn)行跟蹤，輸出跟蹤結(jié)果。本發(fā)明通過優(yōu)化目標(biāo)檢測和跟蹤過程，實(shí)現(xiàn)目標(biāo)跟蹤的精度提升。

技術(shù)研發(fā)人員：吉鴻海,陸悅,范玲玲,李凱龍,楊劍峰
受保護(hù)的技術(shù)使用者：北方工業(yè)大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/4/28