【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及數(shù)據(jù)處理，尤其涉及到一種基于卡爾曼濾波和端到端transformer的多目標(biāo)跟蹤方法及系統(tǒng)。
技術(shù)介紹
1、道路車輛多目標(biāo)跟蹤在智能交通系統(tǒng)中具有極其重要的意義和廣泛的應(yīng)用價值，多目標(biāo)跟蹤技術(shù)可以提供實(shí)時的交通流量和車輛軌跡信息，有助于交通管理部門優(yōu)化交通信號控制，提高道路通行效率，緩解交通擁堵。
2、目前，針對道路車輛的多目標(biāo)跟蹤，通常采用的是連續(xù)幀圖像識別與車輛匹配的方式，但考慮到需要對幀圖像中的每個物體進(jìn)行識別與比對，在道路車流量大的時候，存在著跟蹤效率與響應(yīng)速度的限制，并且隨著車流量增大，相似車輛出現(xiàn)在同一幀圖像的可能變大，會導(dǎo)致車輛識別難度增大以及跟蹤軌跡錯誤率高的問題出現(xiàn)。
3、因此，如何提高道路車輛多目標(biāo)跟蹤的跟蹤效率、響應(yīng)速度，減小車輛識別與跟蹤難度以及降低跟蹤軌跡錯誤率，是一個亟需解決的技術(shù)問題。
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)提供一種基于卡爾曼濾波和端到端transformer的多目標(biāo)跟蹤方法及系統(tǒng)，旨在解決上述至少一個技術(shù)問題。
2、為實(shí)現(xiàn)上述目的，本專利技術(shù)提供一種基于卡爾曼濾波和端到端transformer的多目標(biāo)跟蹤方法，包括以下步驟：
3、獲取目標(biāo)分析視頻集；其中，所述目標(biāo)分析視頻集包括目標(biāo)道路上不同段落設(shè)置的若干個攝像頭采集的道路車輛行駛的目標(biāo)分析視頻；
4、檢測每個目標(biāo)分析視頻中每個參考幀內(nèi)的參考車輛，基于所述每個參考幀內(nèi)的參考車輛的檢測結(jié)果，生成跟蹤初始化參數(shù)，并利用跟蹤初始
5、檢測每個目標(biāo)分析視頻中每個跟蹤幀內(nèi)的跟蹤車輛，利用卡爾曼濾波器預(yù)測每個跟蹤幀內(nèi)的跟蹤車輛在下一跟蹤幀內(nèi)的位置，獲得每個跟蹤車輛在下一跟蹤幀內(nèi)的預(yù)測位置信息；基于所述預(yù)測位置信息，利用端到端transformer模型提取與每個跟蹤幀內(nèi)的跟蹤車輛滿足匹配條件的下一跟蹤幀內(nèi)的跟蹤車輛，生成每個跟蹤車輛的實(shí)際位置信息；
6、根據(jù)每個優(yōu)化調(diào)整周期內(nèi)每個跟蹤車輛的實(shí)際位置信息與預(yù)測位置信息，更新下一優(yōu)化調(diào)整周期的卡爾曼濾波器和端到端transformer模型，并建立每個目標(biāo)分析視頻與對應(yīng)數(shù)據(jù)處理服務(wù)器的數(shù)據(jù)傳輸映射關(guān)系；
7、獲取每個目標(biāo)分析視頻中每個跟蹤車輛在每個跟蹤幀內(nèi)的實(shí)際位置信息，基于每個實(shí)際位置信息對應(yīng)跟蹤幀的時間戳，生成每個跟蹤車輛在目標(biāo)分析視頻集中的實(shí)際行駛軌跡。
8、可選的，獲取目標(biāo)分析視頻集步驟，具體包括：
9、訪問道路監(jiān)控數(shù)據(jù)庫；其中，所述道路監(jiān)控數(shù)據(jù)庫存儲有若干條道路監(jiān)控信息，每條道路監(jiān)控信息包括采集的道路車輛行駛的監(jiān)控視頻和每個所述監(jiān)控視頻的道路覆蓋段落；
10、提取執(zhí)行多目標(biāo)跟蹤的目標(biāo)道路中的起點(diǎn)位置和終點(diǎn)位置，在所述道路監(jiān)控數(shù)據(jù)庫中匹配與目標(biāo)道路對應(yīng)的若干個道路覆蓋段落的監(jiān)控視頻；
11、將所述若干個道路覆蓋段落的監(jiān)控視頻作為目標(biāo)分析視頻集，并根據(jù)每個道路覆蓋段落在目標(biāo)道路中從起點(diǎn)位置到終點(diǎn)位置的段落順序，為目標(biāo)分析視頻集中的每個目標(biāo)分析視頻賦予對應(yīng)的順序編號。
12、可選的，檢測每個目標(biāo)分析視頻中每個參考幀內(nèi)的參考車輛，基于所述每個參考幀內(nèi)的參考車輛的檢測結(jié)果，生成跟蹤初始化參數(shù)步驟，具體包括：
13、采用目標(biāo)檢測算法對每個參考幀內(nèi)的參考車輛進(jìn)行檢測與識別，提取每個參考車輛的初始狀態(tài)信息組合和每個參考幀的參考車輛數(shù)量值；
14、基于每個參考車輛的初始狀態(tài)信息組合中的狀態(tài)變量，構(gòu)建包含每個狀態(tài)變量的狀態(tài)向量以及對角矩陣的對角線上的元素被配置為各個狀態(tài)變量的方差的協(xié)方差矩陣；其中，所述初始狀態(tài)信息組合包含n種狀態(tài)信息；
15、基于每個參考幀的參考車輛數(shù)量值，在預(yù)設(shè)的參考車輛數(shù)量值與匹配特征組合對照表中，確定端到端transformer模型進(jìn)行車輛關(guān)聯(lián)識別的匹配特征集中的初始匹配特征組合；其中，所述初始匹配特征組合中匹配特征的數(shù)量與每個參考幀的參考車輛數(shù)量值呈預(yù)設(shè)正相關(guān)分布。
16、可選的，利用跟蹤初始化參數(shù)初始化卡爾曼濾波器和端到端transformer模型步驟，具體包括：
17、根據(jù)構(gòu)建的每個參考車輛的狀態(tài)向量和協(xié)方差矩陣，構(gòu)建每個參考車輛初始的卡爾曼濾波器；
18、根據(jù)初始匹配特征組合，在預(yù)先訓(xùn)練的端到端transformer模型數(shù)據(jù)庫中匹配所述初始匹配特征組合對應(yīng)的端到端transformer模型，獲得目標(biāo)分析視頻初始的端到端transformer模型。
19、可選的，檢測每個目標(biāo)分析視頻中每個跟蹤幀內(nèi)的跟蹤車輛，利用卡爾曼濾波器預(yù)測每個跟蹤幀內(nèi)的跟蹤車輛在下一跟蹤幀內(nèi)的位置，獲得每個跟蹤車輛在下一跟蹤幀內(nèi)的預(yù)測位置信息步驟，具體包括：
20、采用目標(biāo)檢測算法對目標(biāo)分析視頻中每個跟蹤幀內(nèi)的跟蹤車輛進(jìn)行檢測與識別，提取每個跟蹤車輛在每個跟蹤幀中初始狀態(tài)信息組合的狀態(tài)信息；
21、將每個跟蹤車輛在每個跟蹤幀的狀態(tài)信息輸入對應(yīng)構(gòu)建的每個參考車輛初始的卡爾曼濾波器，預(yù)測獲得每個跟蹤幀內(nèi)的跟蹤車輛在下一跟蹤幀內(nèi)的位置，獲得每個跟蹤車輛在下一跟蹤幀內(nèi)的預(yù)測位置信息。
22、可選的，基于所述預(yù)測位置信息，利用端到端transformer模型提取與每個跟蹤幀內(nèi)的跟蹤車輛滿足匹配條件的下一跟蹤幀內(nèi)的跟蹤車輛，生成每個跟蹤車輛的實(shí)際位置信息步驟，具體包括：
23、基于每個跟蹤車輛在下一跟蹤幀內(nèi)的預(yù)測位置信息，以所述預(yù)測位置信息為識別起始位置，按照下一跟蹤幀內(nèi)每個車輛與所述識別起始位置的距離從小到大的順序依次與跟蹤車輛執(zhí)行相似度匹配；
24、在檢測到首個相似度不低于預(yù)設(shè)相似度閾值時，停止匹配過程并將當(dāng)前匹配成功車輛的位置作為每個跟蹤車輛的實(shí)際位置信息。
25、可選的，根據(jù)每個優(yōu)化調(diào)整周期內(nèi)每個跟蹤車輛的實(shí)際位置信息與預(yù)測位置信息，更新下一優(yōu)化調(diào)整周期的卡爾曼濾波器和端到端transformer模型步驟，具體包括：
26、統(tǒng)計每個優(yōu)化調(diào)整周期內(nèi)每個跟蹤車輛的實(shí)際位置信息與預(yù)測位置信息的距離值超過預(yù)設(shè)距離閾值的比例，判斷所述比例是否位于誤差比例范圍；
27、若是，采用當(dāng)前優(yōu)化調(diào)整周期的卡爾曼濾波器和端到端transformer模型執(zhí)行下一優(yōu)化調(diào)整周期的實(shí)際位置信息與預(yù)測位置信息確定；
28、若否，判斷所述比例是否高于所述誤差比例范圍，若是，執(zhí)行卡爾曼濾波器和端到端transformer模型的第一優(yōu)化調(diào)整動作，若否，執(zhí)行卡爾曼濾波器和端到端transformer模型的第二優(yōu)化調(diào)整動作；
29、其中，所述第一優(yōu)化調(diào)整動作包括：在前一優(yōu)化調(diào)整周期的卡爾曼濾波器對應(yīng)的狀態(tài)信息組合中增加目標(biāo)數(shù)量個優(yōu)化狀態(tài)變量以獲得更新后的狀態(tài)信息組合，并利用更新后的狀態(tài)信息組合中狀態(tài)變量對應(yīng)的狀態(tài)向量，構(gòu)建優(yōu)化后的卡爾曼濾波器；以及將前一優(yōu)化調(diào)整周期對應(yīng)于第一匹配特征組合的端到端transformer模型，替換為在端本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于卡爾曼濾波和端到端Transformer的多目標(biāo)跟蹤方法，其特征在于，包括以下步驟：
2.如權(quán)利要求1所述的基于卡爾曼濾波和端到端Transformer的多目標(biāo)跟蹤方法，其特征在于，獲取目標(biāo)分析視頻集步驟，具體包括：
3.如權(quán)利要求1所述的基于卡爾曼濾波和端到端Transformer的多目標(biāo)跟蹤方法，其特征在于，檢測每個目標(biāo)分析視頻中每個參考幀內(nèi)的參考車輛，基于所述每個參考幀內(nèi)的參考車輛的檢測結(jié)果，生成跟蹤初始化參數(shù)步驟，具體包括：
4.如權(quán)利要求3所述的基于卡爾曼濾波和端到端Transformer的多目標(biāo)跟蹤方法，其特征在于，利用跟蹤初始化參數(shù)初始化卡爾曼濾波器和端到端Transformer模型步驟，具體包括：
5.如權(quán)利要求4所述的基于卡爾曼濾波和端到端Transformer的多目標(biāo)跟蹤方法，其特征在于，檢測每個目標(biāo)分析視頻中每個跟蹤幀內(nèi)的跟蹤車輛，利用卡爾曼濾波器預(yù)測每個跟蹤幀內(nèi)的跟蹤車輛在下一跟蹤幀內(nèi)的位置，獲得每個跟蹤車輛在下一跟蹤幀內(nèi)的預(yù)測位置信息步驟，具體包括：
6.如權(quán)利要求5所述的基于卡爾曼
7.如權(quán)利要求6所述的基于卡爾曼濾波和端到端Transformer的多目標(biāo)跟蹤方法，其特征在于，根據(jù)每個優(yōu)化調(diào)整周期內(nèi)每個跟蹤車輛的實(shí)際位置信息與預(yù)測位置信息，更新下一優(yōu)化調(diào)整周期的卡爾曼濾波器和端到端Transformer模型步驟，具體包括：
8.如權(quán)利要求7所述的基于卡爾曼濾波和端到端Transformer的多目標(biāo)跟蹤方法，其特征在于，建立每個目標(biāo)分析視頻與對應(yīng)數(shù)據(jù)處理服務(wù)器的數(shù)據(jù)傳輸映射關(guān)系步驟，具體包括：
9.如權(quán)利要求1所述的基于卡爾曼濾波和端到端Transformer的多目標(biāo)跟蹤方法，其特征在于，獲取每個目標(biāo)分析視頻中每個跟蹤車輛在每個跟蹤幀內(nèi)的實(shí)際位置信息，基于每個實(shí)際位置信息對應(yīng)跟蹤幀的時間戳，生成每個跟蹤車輛在目標(biāo)分析視頻集中的實(shí)際行駛軌跡步驟，具體包括：
10.一種基于卡爾曼濾波和端到端Transformer的多目標(biāo)跟蹤系統(tǒng)，其特征在于，包括：
...【技術(shù)特征摘要】
1.一種基于卡爾曼濾波和端到端transformer的多目標(biāo)跟蹤方法，其特征在于，包括以下步驟：
2.如權(quán)利要求1所述的基于卡爾曼濾波和端到端transformer的多目標(biāo)跟蹤方法，其特征在于，獲取目標(biāo)分析視頻集步驟，具體包括：
3.如權(quán)利要求1所述的基于卡爾曼濾波和端到端transformer的多目標(biāo)跟蹤方法，其特征在于，檢測每個目標(biāo)分析視頻中每個參考幀內(nèi)的參考車輛，基于所述每個參考幀內(nèi)的參考車輛的檢測結(jié)果，生成跟蹤初始化參數(shù)步驟，具體包括：
4.如權(quán)利要求3所述的基于卡爾曼濾波和端到端transformer的多目標(biāo)跟蹤方法，其特征在于，利用跟蹤初始化參數(shù)初始化卡爾曼濾波器和端到端transformer模型步驟，具體包括：
5.如權(quán)利要求4所述的基于卡爾曼濾波和端到端transformer的多目標(biāo)跟蹤方法，其特征在于，檢測每個目標(biāo)分析視頻中每個跟蹤幀內(nèi)的跟蹤車輛，利用卡爾曼濾波器預(yù)測每個跟蹤幀內(nèi)的跟蹤車輛在下一跟蹤幀內(nèi)的位置，獲得每個跟蹤車輛在下一跟蹤幀內(nèi)的預(yù)測位置信息步驟，具體包括：
6.如權(quán)利要求5所述的基于卡爾曼濾波和端到端transforme...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：請求不公布姓名，請求不公布姓名，請求不公布姓名，請求不公布姓名，
申請(專利權(quán))人：成都言汐科技有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。