【技術實現步驟摘要】
本專利技術涉及自動駕駛與智能交通的，尤其是指一種動態交通目標檢測追蹤及前向碰撞預警方法。
技術介紹
1、隨著自動駕駛技術的發展和智能交通系統的普及，車輛目標檢測和實時追蹤技術成為了確保駕駛安全的關鍵組件。現有的yolo系列目標檢測算法因其實時性和高效性，廣泛應用于車輛檢測中。deepsort作為一種經典的多目標追蹤算法，能夠根據目標的空間位置、運動軌跡等特征，進行實時的車輛追蹤。
2、然而，在實際應用場景中，尤其是高速公路、擁堵城市道路等復雜交通環境中，現有的yolo和deepsort算法存在一些不足之處。例如，目標檢測精度不足：在檢測遠距離小目標、受遮擋的車輛時，傳統的yolo網絡在特征提取和目標定位上存在不足，導致檢測精度下降。追蹤穩定性問題：deepsort在多目標追蹤場景中，受限于傳統的交并比匹配算法，容易出現目標丟失或誤匹配，特別是在目標快速移動或車輛尺寸變化時。實時性要求：現有的算法在復雜交通場景下，難以平衡檢測精度和處理速度，無法滿足高效實時處理的需求，影響實際應用效果。
3、因此，提出一種動態交通目標檢測追蹤及碰撞預警方法，能夠在復雜環境中保持高效檢測和穩定追蹤，并具備實時預警功能，是當前
的迫切需求。
技術實現思路
1、本專利技術的目的在于解決動態交通場景中車輛目標檢測和追蹤存在的復雜背景、車輛運動速度快、小目標檢測難度大以及實時性要求高的問題，提出了一種動態交通目標檢測追蹤及前向碰撞預警方法，該方法能夠有效提高在復雜交通環境下對遠距
2、為實現上述目的，本專利技術所提供的技術方案為：一種動態交通目標檢測追蹤及前向碰撞預警方法，該方法是通過改進yolov8網絡和改進deepsort算法實現正在駕駛車輛對前方目標車輛的精準檢測和實時追蹤；其中，對yolov8網絡的改進在于增強了特征融合模塊、注意力模塊和檢測損失函數模塊，在特征融合模塊中對yolov8網絡的骨干網絡提取的不同尺度特征圖進行輕量化融合，在注意力模塊中引入無參數注意力機制，以動態調整各通道的權重，強調重要特征并抑制無關和冗余特征，在檢測損失函數模塊中引入加權交并比作為檢測損失函數；對deepsort算法的改進在于增強追蹤損失函數模塊，采用完全交并比作為追蹤損失函數來優化追蹤邊界框與真實邊界框之間的距離，以減少誤匹配現象；
3、該方法的具體實施包括以下步驟：
4、1)獲取正在駕駛車輛行車記錄儀中的視頻圖像數據；
5、2)利用已經訓練好的改進yolov8網絡和改進deepsort算法對視頻圖像數據進行以下處理：
6、將視頻圖像數據輸入改進yolov8網絡的骨干網絡得到特征圖a；將特征圖a輸入到特征融合模塊得到多尺度特征圖b；將多尺度特征圖b輸入到注意力模塊得到加權特征圖c；將加權特征圖c輸入到改進yolov8網絡的檢測頭，得到目標車輛邊界框；
7、將目標車輛邊界框輸入改進deepsort算法的追蹤特征提取模塊中，輸出目標車輛邊界框對應的身份特征向量；將目標車輛邊界框和身份特征向量輸入改進deepsort算法的運動預測模塊，得到預測邊界框位置e；將預測邊界框位置e輸入改進deepsort算法的匹配模塊，得到目標車輛的連續追蹤結果，即車輛連續追蹤邊界框；
8、3)基于車輛連續追蹤邊界框的像素尺寸和實際車輛的物理尺寸，通過mobileye模型計算目標車輛與正在駕駛車輛之間的實時距離，而后再基于實時距離和目標車輛與正在駕駛車輛的相對速度計算碰撞時間，最后根據碰撞時間和預制安全時間的大小關系，將風險水平劃定為高、中、無三種等級風險，并輸出實時預警信息。
9、進一步，在步驟1)中，通過正在駕駛車輛的行車記錄儀實時采集車輛前方道路的視頻圖像數據，并對視頻圖像數據進行預處理，包括去噪、圖片尺寸調整和幀率標準化，以適應改進yolov8網絡和改進deepsort算法的計算需求。
10、進一步，所述改進yolov8網絡包括：
11、特征融合模塊，其包括用于提取多尺度特征的輕量化卷積層和用于尺度轉換的上采樣、下采樣單元；
12、注意力模塊，其由非參數化計算單元和非參數注意力機制組成，包括卷積層和sigmoid激活層；
13、檢測損失函數模塊，其包括用于衡量各類目標權重的加權交并比損失函數；骨干網絡，其由5個卷積成；層組和殘差結構組
14、檢測頭，其由3個卷積層、sigmoid激活函數和批歸一化組成。
15、進一步，所述特征融合模塊具體執行以下操作：
16、輕量化卷積操作：
17、fconv＝depthwiseconv(a)????????????????(1)
18、上采樣、下采樣單元操作：
19、fup＝up(fconv)，fdown＝down(fconv)??????????(2)
20、多尺度特征融合：
21、b＝fup+fconv+fdown????????????????(3)
22、式中，depthwiseconv表示輕量化卷積操作，up和down分別表示上采樣和下采樣操作；fup、fconv、fdown分別表示經過上采樣、輕量化卷積操作和下采樣后得到的多尺度特征圖b；
23、所述注意力模塊將多尺度特征圖b作為輸入，通過計算，得到加權特征圖c，其計算過程如下：
24、c＝b·σ(conv1×1(concat(avgpool(b),maxpool(b))))????(4)
25、式中，avgpool(b)表示對多尺度特征圖b沿通道維度進行平均池化；maxpool(b)表示對多尺度特征圖b沿通道維度進行最大池化；concat(·)表示特征拼接；conv1×1(·)表示對拼接后的特征圖進行1×1的卷積，σ(·)表示sigmoid激活函數；
26、所述檢測損失函數模塊的加權交并比損失函數totalloss的計算過程如下：
27、
28、
29、式中，n表示目標總數量，wclass_i表示第i個目標類別class_i的權重因子，xpi、xti分別表示第i個目標的預測邊界框和真實邊界框；|xpi∩xti|表示第i個目標的預測邊界框與真實邊界框的交集面積；|xpi∪xti|表示第i個目標的預測邊界框和真實邊界框的并集面積，liou_i表示第i個目標的交并比損失。
30、進一步，所述改進deepsort算法包括：
31、追蹤特征提取模塊，其由輕量化卷積層組成，用于從目標車輛邊界框提取身份特征；
32、運動預測模塊，其由卡爾曼濾波器組成，通過估計目標的運動狀態計本文檔來自技高網...
【技術保護點】
1.一種動態交通目標檢測追蹤及前向碰撞預警方法，其特征在于，該方法是通過改進YOLOv8網絡和改進DeepSORT算法實現正在駕駛車輛對前方目標車輛的精準檢測和實時追蹤；其中，對YOLOv8網絡的改進在于增強了特征融合模塊、注意力模塊和檢測損失函數模塊，在特征融合模塊中對YOLOv8網絡的骨干網絡提取的不同尺度特征圖進行輕量化融合，在注意力模塊中引入無參數注意力機制，以動態調整各通道的權重，強調重要特征并抑制無關和冗余特征，在檢測損失函數模塊中引入加權交并比作為檢測損失函數；對DeepSORT算法的改進在于增強追蹤損失函數模塊，采用完全交并比作為追蹤損失函數來優化追蹤邊界框與真實邊界框之間的距離，以減少誤匹配現象；
2.根據權利要求1所述的一種動態交通目標檢測追蹤及前向碰撞預警方法，其特征在于，在步驟1)中，通過正在駕駛車輛的行車記錄儀實時采集車輛前方道路的視頻圖像數據，并對視頻圖像數據進行預處理，包括去噪、圖片尺寸調整和幀率標準化，以適應改進YOLOv8網絡和改進DeepSORT算法的計算需求。
3.根據權利要求1所述的一種動態交通目標檢測追蹤及前向碰撞
4.根據權利要求3所述的一種動態交通目標檢測追蹤及前向碰撞預警方法，其特征在于，所述特征融合模塊具體執行以下操作：
5.根據權利要求1所述的一種動態交通目標檢測追蹤及前向碰撞預警方法，其特征在于，所述改進DeepSORT算法包括：
6.根據權利要求5所述的一種動態交通目標檢測追蹤及前向碰撞預警方法，其特征在于，將目標車輛邊界框輸入到追蹤特征提取模塊得到每個邊界框對應的身份特征向量di，具體步驟如下：
7.根據權利要求1所述的一種動態交通目標檢測追蹤及前向碰撞預警方法，其特征在于，在步驟3)中，結合車輛連續追蹤邊界框的像素尺寸和實際車輛的物理尺寸，采用Mobileye模型計算目標車輛與正在駕駛車輛之間的實時距離Dis和碰撞時間tpre，具體計算如下：
...【技術特征摘要】
1.一種動態交通目標檢測追蹤及前向碰撞預警方法，其特征在于，該方法是通過改進yolov8網絡和改進deepsort算法實現正在駕駛車輛對前方目標車輛的精準檢測和實時追蹤；其中，對yolov8網絡的改進在于增強了特征融合模塊、注意力模塊和檢測損失函數模塊，在特征融合模塊中對yolov8網絡的骨干網絡提取的不同尺度特征圖進行輕量化融合，在注意力模塊中引入無參數注意力機制，以動態調整各通道的權重，強調重要特征并抑制無關和冗余特征，在檢測損失函數模塊中引入加權交并比作為檢測損失函數；對deepsort算法的改進在于增強追蹤損失函數模塊，采用完全交并比作為追蹤損失函數來優化追蹤邊界框與真實邊界框之間的距離，以減少誤匹配現象；
2.根據權利要求1所述的一種動態交通目標檢測追蹤及前向碰撞預警方法，其特征在于，在步驟1)中，通過正在駕駛車輛的行車記錄儀實時采集車輛前方道路的視頻圖像數據，并對視頻圖像數據進行預處理，包括去噪、圖片尺寸調整和幀率標準化，以適應改進yolo...
【專利技術屬性】
技術研發人員：許鵬鵬，汪倩芳，鄧宇，張可可，鄭歐，
申請(專利權)人：華南理工大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。