陈紫强, 张雅琼

(桂林电子科技大学 信息与通信学院,广西 桂林 541004)

随着汽车拥有量的逐年攀升,我国的交通事故率日趋上涨,因此如何降低汽车带来的负面影响是现在急需解决的问题。从全球发展趋势来看,减少交通事故的发生,保障行人、驾驶员和乘客的安全必须实现道路交通的智能化[1]。

在道路交通领域,目标检测跟踪技术的研究是很重要的一个方面,可以应用于无人驾驶、智能监控等[2-3]。基于传统的目标检测方法有:计算梯度特征直方图[4]、尺度不变特征变换[5]、哈尔特征[6]等特征提取器来提取目标特征,通过支持向量机[7]、迭代器[8]、随机森林[9]等分类器进行分类识别。但是提取特征性差,在不同场景下提取不同的特征,合理性难度比较大,运算复杂度高,实际应用不适合。基于深度学习的检测算法分为基于区域法和基于回归法2种。基于区域法将检测分为2步:生成候选区域和对候选区域进行分类,第一步利用了选择性搜索算法,第二步利用卷积神经网络[10]进行处理,检测精度高,但是检测速度慢,网络结构复杂;基于回归法的算法直接产生物体的类别概率和位置坐标值,典型的算法有SSD[11]和YOLO[12-14]。目前应用比较广泛的是YOLO系列,检测速度快、正确率高,但是在光照条件和路面状况不好的情况下,极易发生漏检现象。

目前单目标跟踪算法的发展已相对成熟,但实际交通场景下的跟踪算法是一个多目标问题[15-16]。针对多目标跟踪问题,Bewley等[17]提出了SORT 算法,该算法利用卡尔曼滤波[18]对目标进行预测和更新,使用匈牙利算法[19]匹配预测框和检测框,在理想交通道路条件下,能够较好地实现多目标跟踪,但在有遮挡的情况下跟踪效果较差。……