本發(fā)明屬于食品監(jiān)控技術(shù)領(lǐng)域，特別涉及了一種車輛識(shí)別和軌跡追蹤方法。

背景技術(shù)：

目前，目標(biāo)檢測(cè)是智能視頻監(jiān)控系統(tǒng)中的關(guān)鍵技術(shù)，同時(shí)也是目標(biāo)識(shí)別、目標(biāo)跟蹤、目標(biāo)分類等處理算法的基礎(chǔ)。車輛目標(biāo)識(shí)別的目的是盡可能地從視頻監(jiān)控中提取出車輛目標(biāo)區(qū)域，并且完整地從視頻中提取出來(lái)，并將檢測(cè)的結(jié)果提交給后續(xù)的算法處理，包括車輛位置信息，車輛軌跡信息等，以此來(lái)判斷車輛當(dāng)前車輛的行駛狀態(tài)。因此為了解決現(xiàn)有技術(shù)中的不足，需要一種從視頻中快速定位車輛位置和提取車輛軌跡的方法。

2015年seung-hyunlee等人在internationalsymposiumonconsumerelectronics(isce)上發(fā)表了一篇《anefficientselectionofhogfeatureforsvmclassificationofvehicle》，通過(guò)減小hog特征的維度來(lái)減少svm的計(jì)算復(fù)雜度，然后將降低維度的hog(方向梯度直方圖)特征作為支持向量機(jī)(svm)分類檢測(cè)的輸入，提高了車輛識(shí)別檢測(cè)的速度。然而，hog特征很難處理遮擋的問(wèn)題，并且在實(shí)際的環(huán)境中hog特征對(duì)噪點(diǎn)比較敏感。

2015年sunshujuan等人在chinesecontrolanddecisionconference(2015ccdc)上發(fā)表了一篇《real-timevehicledetectionusinghaar-surfmixedfeaturesandgentleadaboostclassifier》論文，提出一種采用級(jí)聯(lián)分類器和混合haar-surf特征的gentleadaboost分類器來(lái)進(jìn)行車輛的實(shí)時(shí)檢測(cè)。該方法存在的問(wèn)題是adaboost算法訓(xùn)練時(shí)間過(guò)長(zhǎng)，目標(biāo)識(shí)別的準(zhǔn)確性依賴于弱分類器的選擇。

技術(shù)實(shí)現(xiàn)要素：

為了解決上述背景技術(shù)提出的技術(shù)問(wèn)題，本發(fā)明旨在提供一種基于cnn的車輛識(shí)別和軌跡追蹤方法，為了克服現(xiàn)有技術(shù)存在的問(wèn)題，采用輪廓篩選機(jī)制的卷積神經(jīng)網(wǎng)絡(luò)來(lái)提高車輛目標(biāo)識(shí)別的精度，同時(shí)也優(yōu)化了實(shí)時(shí)視頻識(shí)別中的實(shí)時(shí)性問(wèn)題。

為了實(shí)現(xiàn)上述技術(shù)目的，本發(fā)明的技術(shù)方案為：

一種基于cnn的車輛識(shí)別和軌跡追蹤方法，包括以下步驟：

(1)實(shí)時(shí)獲取車輛的視頻信息；

(2)采用輪廓篩選機(jī)制對(duì)獲取的視頻幀進(jìn)行預(yù)處理，提取車輛目標(biāo)的候選區(qū)域；

(3)將目標(biāo)的候選區(qū)域輸入卷積神經(jīng)網(wǎng)絡(luò)中，完成車輛目標(biāo)和非車輛目標(biāo)的識(shí)別；

(4)獲取每幀視頻中的車輛位置坐標(biāo)，根據(jù)這些坐標(biāo)繪制車輛的軌跡；對(duì)于不同車道內(nèi)的車輛軌跡按照車道進(jìn)行分類提取。

進(jìn)一步地，步驟(2)的具體過(guò)程如下：

采用索貝爾算子對(duì)獲取的視頻幀進(jìn)行邊緣點(diǎn)的檢測(cè)，通過(guò)計(jì)算視頻幀中每個(gè)像素點(diǎn)橫向和縱向的灰度值來(lái)計(jì)算像素點(diǎn)的梯度，若梯度大于預(yù)設(shè)的閾值，則認(rèn)為該像素點(diǎn)是輪廓邊緣點(diǎn)，將相鄰的輪廓邊緣點(diǎn)連接起來(lái)，獲得車輛目標(biāo)的外部輪廓，根據(jù)外部輪廓確定車輛目標(biāo)的候選區(qū)域。

進(jìn)一步地，步驟(3)的具體過(guò)程如下：

縮放候選區(qū)域圖片的scale，得到圖片金字塔，通過(guò)卷積層提取圖片中的特征，得到featuremap，接著通過(guò)池化層將featuremap大小不一的候選區(qū)域轉(zhuǎn)變?yōu)榇笮〗y(tǒng)一的數(shù)據(jù)，進(jìn)一步穩(wěn)定特征，然后通過(guò)全連接層將池化層輸出的特征進(jìn)行合并，使用softmax完成車輛目標(biāo)的識(shí)別。

進(jìn)一步地，softmax進(jìn)行車輛目標(biāo)識(shí)別時(shí)，通過(guò)構(gòu)建代價(jià)函數(shù)對(duì)分類進(jìn)行優(yōu)化，所述代價(jià)函數(shù)：

上式中，pu為目標(biāo)真實(shí)類別u的概率，vi為bounding-box返回的坐標(biāo)值，表示bounding-box的回歸補(bǔ)償，x,y,w,h分別表示定位框的橫坐標(biāo)、縱坐標(biāo)、寬度、高度，

求解代價(jià)函數(shù)l取最小值時(shí)的用于補(bǔ)償bounding-box返回的坐標(biāo)值，使得返回的坐標(biāo)值所表示的定位框能真實(shí)代表車輛區(qū)域。

進(jìn)一步地，在步驟(4)中，對(duì)于不同車道內(nèi)的車輛軌跡按照車道進(jìn)行分類提取的過(guò)程：

(a)以圖像的width方向?yàn)閤軸、圖像的height方向y軸，建立平面直角坐標(biāo)系；

(b)在坐標(biāo)系中定位車輛坐標(biāo)，車道i的兩條邊線分別為y＝kix+ci和y＝ki+1x+ci+1，其中，ki、ki+1為車道i的兩條邊線的斜率，ci、ci+1為車道i的兩條邊線的截距，i＝1,2,…,i，i為總車道數(shù)；

設(shè)車道i內(nèi)的車輛坐標(biāo)為(a,b)，則(a,b)滿足以下條件：

進(jìn)一步地，為了避免車道i內(nèi)不同車輛軌跡粘合，在車輛駛離的方向設(shè)置檢測(cè)帶y＝m，當(dāng)車道i內(nèi)某車輛坐標(biāo)(a,b)滿足以下條件時(shí)，說(shuō)明已完成該車輛目標(biāo)的軌跡跟蹤，需要進(jìn)行軌跡清除：

采用上述技術(shù)方案帶來(lái)的有益效果：

(1)本發(fā)明通過(guò)對(duì)實(shí)時(shí)輸入的視頻幀進(jìn)行輪廓識(shí)別，將篩選出車輛目標(biāo)的候選區(qū)域輸入到卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行車輛目標(biāo)的識(shí)別分類，提高了車輛目標(biāo)識(shí)別的準(zhǔn)確性和實(shí)時(shí)性；

(2)本發(fā)明對(duì)于多車道車輛按車道的不同來(lái)分別提取車輛的軌跡信息，可以有效地提高車輛的軌跡提取速度，同時(shí)也對(duì)車輛軌跡進(jìn)行了有效的分類處理。

附圖說(shuō)明

圖1是本發(fā)明的方法流程圖；

圖2是本發(fā)明中多車道軌跡分類示意圖。

具體實(shí)施方式

以下將結(jié)合附圖，對(duì)本發(fā)明的技術(shù)方案進(jìn)行詳細(xì)說(shuō)明。

一種基于cnn的車輛識(shí)別和軌跡追蹤方法，如圖1所示，具體步驟如下。

步驟1：實(shí)時(shí)獲取車輛的視頻信息。

步驟2：采用輪廓篩選機(jī)制對(duì)獲取的視頻幀進(jìn)行預(yù)處理，提取車輛目標(biāo)的候選區(qū)域。

采用索貝爾算子對(duì)獲取的視頻幀進(jìn)行邊緣點(diǎn)的檢測(cè)，通過(guò)計(jì)算視頻幀中每個(gè)像素點(diǎn)橫向和縱向的灰度值來(lái)計(jì)算像素點(diǎn)的梯度，若梯度大于預(yù)設(shè)的閾值，則認(rèn)為該像素點(diǎn)是輪廓邊緣點(diǎn)，將相鄰的輪廓邊緣點(diǎn)連接起來(lái)，獲得車輛目標(biāo)的外部輪廓，根據(jù)外部輪廓確定車輛目標(biāo)的候選區(qū)域。

像素點(diǎn)的梯度計(jì)算公式：

g＝gx+gy

上式中，gx，gy分別代表橫向和縱向邊緣檢測(cè)的圖像灰度值，gx＝[f(x+1,y-1)+2f(x+1,y)+f(x+1,y+1)]-[f(x-1,y-1)+2f(x-1,y)+f(x-1,y+1)]，gy＝[f(x-1,y-1)+2f(x,y-1)+f(x-1,y-1)]-[f(x-1,y+1)+2f(x,y+1)+f(x+1,y+1)]，其中f(x,y)為(x,y)點(diǎn)的灰度值。

步驟3：將目標(biāo)的候選區(qū)域輸入卷積神經(jīng)網(wǎng)絡(luò)中，完成車輛目標(biāo)和非車輛目標(biāo)的識(shí)別。

卷積神經(jīng)網(wǎng)絡(luò)(convolutionalneuralnetwork,cnn)是人工神經(jīng)網(wǎng)絡(luò)中的一種，它由多層的神經(jīng)網(wǎng)絡(luò)構(gòu)成，它的權(quán)值共享網(wǎng)絡(luò)結(jié)構(gòu)使之更類似于生物神經(jīng)網(wǎng)絡(luò)，降低了網(wǎng)絡(luò)模型的復(fù)雜度，減少了權(quán)值的數(shù)量。卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)在于網(wǎng)絡(luò)的輸入是多維圖像時(shí)表現(xiàn)的更為明顯，使圖像可以直接作為網(wǎng)絡(luò)的輸入，避免了傳統(tǒng)識(shí)別算法中復(fù)雜的特征提取和數(shù)據(jù)重建過(guò)程。因此，卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別和目標(biāo)分類上具有很好的表現(xiàn)。

卷積神經(jīng)網(wǎng)絡(luò)主要分為3層：卷積層，池化層和全連接層。卷積層為了從圖像中通過(guò)卷積運(yùn)算提取車輛的初步特征，池化層用來(lái)將提取出的特征進(jìn)一步降維，逐步穩(wěn)定前面提取出車輛目標(biāo)的特征，全連接層是為了將池化層的特征進(jìn)行合并并分類回歸。

首先是獲取圖片的roi區(qū)域，然后縮放圖片的scale得到圖片金字塔，提取圖片中的特征得到featuremap，然后通過(guò)pooling層將特征圖大小不一的候選區(qū)域轉(zhuǎn)變?yōu)榇笮〗y(tǒng)一的數(shù)據(jù)，進(jìn)一步穩(wěn)定特征并把該特征輸入到全連接特征層，最后通過(guò)softmax來(lái)完成車輛的分類操作。

為了使得bounding-box更加準(zhǔn)確地定位到車輛的位置，通過(guò)構(gòu)建代價(jià)函數(shù)對(duì)分類進(jìn)行優(yōu)化，所述代價(jià)函數(shù)：

上式中，pu為目標(biāo)真實(shí)類別u的概率，vi為bounding-box返回的坐標(biāo)值，表示bounding-box的回歸補(bǔ)償，x,y,w,h分別表示定位框的橫坐標(biāo)、縱坐標(biāo)、寬度、高度，

求解代價(jià)函數(shù)l取最小值時(shí)的用于補(bǔ)償bounding-box返回的坐標(biāo)值，使得返回的坐標(biāo)值所表示的定位框能真實(shí)代表車輛區(qū)域。

步驟4：獲取每幀視頻中的車輛位置坐標(biāo)，根據(jù)這些坐標(biāo)繪制車輛的軌跡；對(duì)于不同車道內(nèi)的車輛軌跡按照車道進(jìn)行分類提取。

為了實(shí)時(shí)繪制出車輛的軌跡信息，首先要定位圖像幀中車輛目標(biāo)的位置，然后將前n幀中車輛的坐標(biāo)信息保存在一個(gè)數(shù)組鏈表中。第n幀中數(shù)組鏈表中包含了前n-1中車輛的坐標(biāo)信息，在第n幀中繪制所有的坐標(biāo)點(diǎn)來(lái)繪制出運(yùn)動(dòng)車輛所經(jīng)過(guò)的軌跡。

車輛軌跡繪制過(guò)程：

1、當(dāng)視頻中檢測(cè)到車輛后，將車輛的坐標(biāo)保存在數(shù)組鏈表list。如圖2所示，檢測(cè)到3輛車，將車輛的的所有坐標(biāo)信息存儲(chǔ)在list中。圖中(axy,bxy)表示車輛坐標(biāo)，x表示車道號(hào)，y表示幀數(shù)；

2、在第n幀后，在第n幀中圖像上繪制list中所有的坐標(biāo)點(diǎn)的。即構(gòu)成了不同車道內(nèi)的車輛軌跡運(yùn)動(dòng)信息。

對(duì)于不同車道內(nèi)的車輛軌跡按照車道進(jìn)行分類提取：

1、以圖像的width方向?yàn)閤軸、圖像的height方向y軸，建立平面直角坐標(biāo)系，如圖2所示；

2、在坐標(biāo)系中定位車輛坐標(biāo)，車道i的兩條邊線分別為y＝kix+ci和y＝ki+1x+ci+1，其中，ki、ki+1為車道i的兩條邊線的斜率，ci、ci+1為車道i的兩條邊線的截距，i＝1,2,…,i，i為總車道數(shù)；

設(shè)車道i內(nèi)的車輛坐標(biāo)為(a,b)，則(a,b)滿足以下條件：

為了避免車道i內(nèi)不同車輛軌跡粘合，在車輛駛離的方向設(shè)置檢測(cè)帶y＝m，當(dāng)車道i內(nèi)某車輛坐標(biāo)(a,b)滿足以下條件：

說(shuō)明此時(shí)已經(jīng)完成車輛目標(biāo)的軌跡跟蹤，通過(guò)對(duì)數(shù)組鏈表中車道i內(nèi)該車輛的一系列離散點(diǎn)進(jìn)行清除。

實(shí)施例僅為說(shuō)明本發(fā)明的技術(shù)思想，不能以此限定本發(fā)明的保護(hù)范圍，凡是按照本發(fā)明提出的技術(shù)思想，在技術(shù)方案基礎(chǔ)上所做的任何改動(dòng)，均落入本發(fā)明保護(hù)范圍之內(nèi)。