一种适用于高速公路隧道监控场景的车辆多目标跟踪方法

本发明属于智能交通领域，具体涉及一种适用于高速公路隧道监控场景的车辆多目标跟踪方法。

背景技术：

1、高速公路隧道作为城市交通网络不可或缺的重要组成部分，其安全性和通畅性对保障交通运输的无缝进行至关重要。随着交通流量的不断增加和车辆运行速度的提高，对高速公路隧道的监控和管理需求也日益紧迫。在这一背景下，车辆多目标跟踪技术作为一项关键技术，受到广泛关注和应用。在高速公路隧道监控场景中，该技术具备提供精准、实时和全面车辆跟踪和管理的能力，因而展示了广泛的应用前景。

2、然而，现有的车辆跟踪方法在高速公路隧道场景下面临一些挑战。首先，针对多目标跟踪，现有方法可能面临性能瓶颈，难以同时实现多个目标的准确跟踪。其次，高速公路隧道内车流量大、车速高，车辆之间频繁出现相互遮挡和快速运动现象。这对跟踪算法的准确性和稳定性提出了严峻考验，容易导致目标漏检、误检等问题。例如，boyin等人设计了结合多种特征的车辆再识别方法，从特征提取角度提升了车辆再识别的准确性。然而，该方法耗费计算资源和时间较多，影响了模型的效率与实用性。

3、因此，有必要根据实际情况深入研究一种适应高速公路隧道特点的多目标跟踪方案，以降低因目标遮挡和丢失而导致的车辆目标匹配错误情况。同时，也需应对高速公路隧道中车速迅猛的特殊需求，减少跟踪模型漏检和id切换等问题的发生。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种适用于高速公路隧道监控场景的车辆多目标跟踪方法。本发明旨在解决现有方法车辆目标匹配误差大、跟踪精确性差、实时性低的问题。

2、为达到上述目的，本发明提供了一种适用于高速公路隧道监控场景的车辆多目标跟踪方法，包括以下步骤：

3、s1.采用目标检测模型检测当前帧的车辆目标，对车辆目标检测结果和车辆目标轨迹进行分类；

4、车辆目标检测结果分为：高置信度检测结果dhigh和低置信度检测结果dlow；

5、车辆目标轨迹分为：已确认轨迹tconfirmed和未确认轨迹tunconfirmed；

6、已确认轨迹tconfirmed分为：激活状态的已确认轨迹tconfirmed和丢失状态的已确认轨迹tconfirmed；

7、s2.将步骤s1中的高置信度检测结果dhigh和所有已确认轨迹tconfirmed进行匹配，从而得到匹配成功的关联对1、未匹配成功的高置信度检测结果和未匹配成功的轨迹；

8、s3.将步骤s1中的低置信度检测结果dlow和步骤s2中处于激活状态且未匹配成功的轨迹进行匹配，从而得到匹配成功的关联对2、未匹配成功的高置信度检测结果和未匹配成功的轨迹；

9、s4.将步骤s2中未匹配成功的高置信度检测结果和步骤s1中未确认轨迹tunconfirmed进行匹配，从而得到匹配成功的关联对3、未匹配成功的高置信度检测结果和未匹配成功的轨迹；

10、s5.更新步骤s2～s4的匹配结果，重复步骤s1～s4以及步骤s5的更新，即构建隧道内车辆多目标跟踪模型；

11、s6.制作高速公路隧道车辆目标跟踪数据集，制作的数据集联合目标检测模型训练隧道内车辆多目标跟踪模型。

12、进一步，所述步骤s1中，置信度检测结果的评判标准为低分阈值和高分阈值；

13、其中，低分阈值θl＝0.2，高分阈值θh＝0.6；

14、车辆目标的检测得分score≥θh为高置信度检测结果dhigh；

15、车辆目标的检测得分θl≤score＜θh为低置信度检测结果dlow。

16、进一步，所述步骤s2包括以下子步骤：

17、s2.1设计预测算法对已确认轨迹tconfirmed进行预测，获取预测值；

18、s2.2使用iou计算预测值与高置信度检测结果dhigh之间的相似度，生成距离矩阵dis；

19、s2.3借助匈牙利算法，利用距离矩阵dis将高置信度检测结果dhigh与已确认轨迹tconfirmed进行匹配，从而得到匹配成功的关联对1、未匹配成功的高置信度检测结果和未匹配成功的轨迹。

20、进一步，所述步骤s2.1中，预测算法有两个不同预测分支：

21、预测分支1：已确认轨迹tconfirmed处于激活状态时，采用卡尔曼滤波进行运动预测；

22、预测分支2：已确认轨迹tconfirmed处于丢失状态时，检查已确认轨迹tconfirmed的历史轨迹数据，历史轨迹的长度大于4，则采用cubic spline插值法进行轨迹预测，否则采用卡尔曼滤波进行运动预测。

23、进一步，所述步骤s2.2中，距离矩阵dis的计算表达式如下：

24、dis＝1-iou

25、

26、式中：a是高置信度检测结果dhigh的边界框；b是对已确认轨迹tconfirmed预测后得到的边界框；area(a)和area(b)分别表示a和b的面积。

27、进一步，所述步骤s3包括以下子步骤：

28、s3.1采用cdiou计算步骤s2中处于激活状态且未匹配成功的轨迹与步骤s1中低置信度检测结果dlow之间的相似度，生成距离矩阵discd；

29、s3.2借助匈牙利算法，利用距离矩阵discd将步骤s1中的低置信度检测结果dlow与步骤s2中处于激活状态且未匹配成功的轨迹进行匹配，从而得到匹配成功的关联对2、未匹配成功的低置信度检测结果和未匹配成功的轨迹。

30、进一步，所述步骤s3.1中，距离矩阵discd的计算表达式如下：

31、discd＝1-cdiou

32、cdiou＝iou+λ(1-diou)

33、

34、式中：iou表示步骤s1中低置信度检测结果dlow和步骤s2中处于激活状态且未匹配成功的轨迹的交并比；λ是权重系数；diou表示距离度量；dl表示低置信度检测结果dlow的边界框；th表示步骤s2中处于激活状态且未匹配成功的轨迹的边界框；||dl-th||2表示两边界框4个顶点欧氏距离之和；mbr表示包围dl和th两边界框的最小矩阵；diagonal(mbr)表示mbr矩阵的对角线长度。

35、进一步，所述步骤s4包括以下子步骤：

36、s4.1使用iou计算步骤s1中未确认轨迹tunconfirmed与步骤s2中未匹配成功的高置信度检测结果之间的距离矩阵；

37、s4.2借助匈牙利算法，利用步骤s4.1计算的距离矩阵将步骤s2中未匹配成功的高置信度检测结果和步骤s1中未确认轨迹tunconfirmed进行匹配，从而得到匹配成功的关联对3、未匹配成功的高置信度检测结果和未匹配成功的轨迹。

38、进一步，所述步骤s5包括以下子步骤：

39、s5.1采用卡尔曼滤波对步骤s2～s4匹配成功的关联对1、关联对2和关联对3进行轨迹更新；

40、s5.2将步骤s3中未匹配成功的轨迹更新为丢失状态，丢失状态的轨迹可保留60帧，超出60帧则将轨迹则更新为移除状态；步骤s3中未匹配成功的低置信度检测结果删除；

41、s5.3将步骤s4中匹配成功的关联对3更新为激活状态的已确认轨迹tconfirmed；未匹配成功的高置信度检测结果更新为新轨迹，即未确认轨迹tunconfirmed；未匹配成功的轨迹更新为移除状态；

42、s5.4重复步骤s1～s4以及步骤s5.1～s5.3的内容。

43、进一步，所述步骤s6包括以下子步骤：

44、s6.1制作高速公路隧道车辆目标跟踪数据集；

45、采集高速公路隧道内的视频数据，使用darklabel软件进行数据标注；

46、s6.2在制作的数据集上联合目标检测模型训练隧道内车辆多目标跟踪模型，用adam优化器优化模型损失，得到并保存模型权重；

47、s6.3隧道内车辆多目标跟踪模型加载权重。

48、本发明的有益效果：

49、考虑到现有针对高速隧道车辆目标轨迹的预测大多使用卡尔曼滤波，而卡尔曼预测仅适用于线性运动。因为丢失状态lost轨迹在保留的60帧内，由于隧道内车辆的快速移动、可能存在的曲线道路以及司机的变道行为，导致其轨迹呈现非线性，最终导致iou匹配失败。为解决这一问题，本发明设计了两分支预测算法，用cubic spline插值法对丢失状态lost轨迹的历史数据进行拟合，预测该轨迹当前帧的位置，以重新关联检测目标，实现目标的连续跟踪，提高了目标跟踪的稳定性和连续性，减少了目标轨迹的丢失。

50、此外，隧道内的低置信度检测结果在与轨迹进行匹配时，由于遮挡和运动速度过快造成的运动模糊是检测结果置信度低的主要原因，而传统的iou匹配在目标形状变化较大时，匹配效果会很差。针对这一问题，本发明改进相似性匹配方法，用cdiou代替iou，cdiou在保证实时性的基础上，更适应目标形状的变化，不仅考虑了目标框的重叠度，还关注目标框中心点之间的距离，更适合高速公路隧道场景。本发明的车辆多目标跟踪方法，增强了隧道内车辆多目标跟踪的鲁棒性，减少了目标误匹配，提高了目标跟踪的精确性。

51、本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究，对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。