一种停车场内车辆跟踪识别方法

本发明涉及停车场车辆跟踪识别，特别是涉及一种停车场内车辆跟踪识别方法。

背景技术：

1、随着社会的发展，私家车越来越多，较多的车辆会增加停车场管理的难度。目前，停车场大多采用人工结合摄像头的管理模式，这样在车流量大时会导致工作人员比较繁忙，且摄像头仅能拍摄没有遮挡的车身部分，对于部分遮挡的车辆会出现车辆信息无法识别的问题，例如，车辆之间停放间距小造成车身部分遮挡，这样会出现车辆信息难以识别的问题。针对以上问题可以使用目标跟踪技术，目标跟踪技术一直以来都是计算机视觉领域的热门话题之一，在安全监控、运动分析、人机交互等多种场景中都有广泛的应用。例如，多假设跟踪(mht)和联合概率数据关联滤波器(jpdaf)是比较经典的目标跟踪方法。在多假设跟踪算法中，mht会为每一个目标建立跟踪假设树，并计算每一个跟踪假设的概率选出其中概率最大的跟踪组合。mht算法会保留目标的所有假设跟踪以此来保障目标跟踪的确定性，但也因为这种多假设跟踪的方法极大地提高了计算的复杂性和困难程度。在联合概率数据关联滤波器中，jpdaf的主要目的是计算的观测数据都可能源于每个跟踪目标，即该方法的基本假设是跟踪目标数目已知的，且一个目标最多只产生一个观测值，尽管该算法不需要任何目标的先验信息且在杂波环境中的多目标跟踪效果也较好，但因为它对目标的数目要求已知，这就产生了很大的局限性。因此，需要提供一种可以解决以上技术缺陷的停车场内车辆跟踪识别方案。

技术实现思路

1、本发明的目的就在于为了解决上述问题而提供一种停车场内车辆跟踪识别方法。

2、本发明通过以下技术方案来实现上述目的：

3、一种停车场内车辆跟踪识别方法，包括以下步骤：

4、(1)采集进入停车场内车辆信息并将车辆信息制作成车辆样本数据集；

5、(2)构建改进的yolov5s网络模型，先将注意力模块cbam融合在backbone主干网络之后，neck网络的特征融合之前，然后使用soft-nms替换nms，利用样本数据集对改进的yolov5s网络模型进行训练，得到训练好的车辆检测模型；通过低照度图像的亮度与对比度增强融合，强化细节信息；增强图像的细节信息和噪声干扰；

6、(3)利用训练好的车辆检测模型对车辆进行实时检测，得到停车场内车辆位置信息和目标车辆框；

7、(4)根据停车场内车辆位置信息和目标车辆框，利用strongsort算法对车辆位置信息进行实时跟踪，可实时跟踪多个车辆，跟踪目标车辆被部分遮挡不会造成跟踪目标车辆丢失。

8、优选地，步骤(2)中yolov5s网络模型的结构包括input输入端、backbone主干网络、neck颈部网络和head输出端；所述input输入端用于将原始输入图像调整为指定的尺寸，并进行归一化处理；所述backbone主干网络用于提取输入图像的特征，；所述neck颈部网络用于融合来自backbone主干网络的特征，生成多尺度特征图，以便检测不同大小的目标；所述head输出端进行最终的目标检测，去除重复的目标框，仅保留最高置信度的检测结果。

9、优选地，步骤(2)中soft-nms防止目标车辆拥挤时出现漏检。

10、优选地，步骤(2)中将ciou-loss代替giou-loss作为目标边界框回归损失函数，ciou-loss在损失项中加入了pb、gt中心距离和长宽比例的惩罚项，将ciou-loss作为车辆检测模型的损失函数。

11、优选地，步骤(4)中将所有目标车辆框根据置信度中间阈值分成高置信度目标车辆框和低置信度目标车辆框。

12、优选地，当目标车辆逐渐被遮挡时，跟踪目标车辆与低置信度目标车辆匹配，当目标车辆遮挡逐渐重现时，跟踪目标车辆与高置信度目标车辆匹配。

13、优选地，步骤(4)中strongsort算法利用目标车辆的外观特征来增强跟踪的准确性。

14、本发明的有益效果在于：(1)本发明使用基于深度学习的多目标跟踪算法，实现对停车场内车辆的跟踪识别，可有效降低停车管理的难度，实现对不同类型车辆的有序停放；(2)针对停车场内出现的部分遮挡可能造成目标丢失的问题，使用yolov5s网络模型检测场景中出现的目标，再使用strongsort算法实现对目标车辆的跟踪，这样具有较好的实时性和准确率；(3)针对拥挤场景中出现的部分遮挡可能造成目标丢失的问题，在yolov5s网络模型中使用soft-nms替换nms，提高跟踪识别算法的实时性，实现对车辆的智能管理。

技术特征：

1.一种停车场内车辆跟踪识别方法，其特征在于：包括以下步骤：

2.根据权利要求1所述一种停车场内车辆跟踪识别方法，其特征在于：步骤(2)中yolov5s网络模型的结构包括input输入端、backbone主干网络、neck颈部网络和head输出端；所述input输入端用于将原始输入图像调整为指定的尺寸，并进行归一化处理；所述backbone主干网络用于提取输入图像的特征，；所述neck颈部网络用于融合来自backbone主干网络的特征，生成多尺度特征图，以便检测不同大小的目标；所述head输出端进行最终的目标检测，去除重复的目标框，仅保留最高置信度的检测结果。

3.根据权利要求1所述一种停车场内车辆跟踪识别方法，其特征在于：步骤(2)中soft-nms防止目标车辆拥挤时出现漏检。

4.根据权利要求1所述一种停车场内车辆跟踪识别方法，其特征在于：步骤(2)中将ciou-loss代替giou-loss作为目标边界框回归损失函数，ciou-loss在损失项中加入了pb、gt中心距离和长宽比例的惩罚项，将ciou-loss作为车辆检测模型的损失函数。

5.根据权利要求1所述一种停车场内车辆跟踪识别方法，其特征在于：步骤(4)中将所有目标车辆框根据置信度中间阈值分成高置信度目标车辆框和低置信度目标车辆框。

6.根据权利要求5所述一种停车场内车辆跟踪识别方法，其特征在于：当目标车辆逐渐被遮挡时，跟踪目标车辆与低置信度目标车辆匹配，当目标车辆遮挡逐渐重现时，跟踪目标车辆与高置信度目标车辆匹配。

7.根据权利要求1所述一种停车场内车辆跟踪识别方法，其特征在于：步骤(4)中strongsort算法利用目标车辆的外观特征来增强跟踪的准确性。

技术总结本发明公开了一种停车场内车辆跟踪识别方法，涉及停车场车辆跟踪识别技术领域，包括以下步骤：采集进入停车场内车辆信息并将车辆信息制作成车辆样本数据集；构建改进的YOLOv5s网络模型，先将注意力模块CBAM融合在Backbone主干网络之后，Neck网络的特征融合之前，然后使用Soft‑NMS替换NMS，利用样本数据集对改进的YOLOv5s网络模型进行训练；利用训练好的车辆检测模型对车辆进行实时检测，得到停车场内车辆位置信息和目标车辆框；根据停车场内车辆位置信息和目标车辆框，利用StrongSORT算法对车辆位置信息进行实时跟踪。本发明使用基于深度学习的多目标跟踪算法，实现对停车场内车辆的跟踪识别，可有效降低停车管理的难度，实现对不同类型车辆的有序停放。技术研发人员：李津津,李国政,丁春星,兰静怡受保护的技术使用者：安徽信息工程学院技术研发日：技术公布日：2024/9/9