(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 20221078285 6.3 (22)申请日 2022.07.05 (71)申请人 华砺智行 （武汉） 科技有限公司 地址 430056 湖北省武汉市武汉经济技 术 开发区南太子湖创新谷启迪协信科创 园F(3201- 3203) (72)发明人 任学锋　刘鹏　杨哲　林复坤　 (74)专利代理 机构 武汉智权专利代理事务所 (特殊普通 合伙) 42225 专利代理师 敖俊 (51)Int.Cl. G06T 7/246(2017.01) G06V 20/40(2022.01) G06V 20/54(2022.01) G06V 10/25(2022.01)G06V 10/74(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G08G 1/01(2006.01) G08G 1/123(2006.01) (54)发明名称 基于ConvNeXt网络和DSST算法的交通车辆 跟踪方法及系统 (57)摘要 本发明涉及城市道路交通车辆目标跟踪技 术领域， 公开了一种基于Conv NeXt网络和DSS T算 法的交通车辆跟踪方法及系统， 包括以下步骤： 拉取交通检测摄像头的视频流并解码， 以获取交 通车辆样 本； 使用数据增强技术对交通车辆样本 进行扩充， 更改残差网络模型结构以搭建 ConvNeXt网络模型， 训练ConvNeXt网络模型； 提 取交通车辆图像特征， 使用faster ‑rcnn模型获 取交通车辆的分割图像的图像块； 对提取的图像 块使用DSST算法， 分别做位置估计和尺度估计， 通过匈牙利算法进行模型匹配， 实现 交通车辆的 跟踪。 对目标交通车辆的检测精度高， 响应效率 快， 能够高效的检测并跟踪交通车辆 。 权利要求书2页 说明书7页 附图1页 CN 114862916 A 2022.08.05 CN 114862916 A 1.一种基于ConvNeXt网络和DSST算法的交通车辆跟踪方法， 其特征在于， 包括以下步 骤： 步骤1、 拉取交通检测摄 像头的视频流并解码， 以获取交通车辆样本； 步骤2、 使用数据增强技术对交通车辆样本进行扩充， 更改残差网络模型结构以搭建 ConvNeXt网络模型， 训练Co nvNeXt网络模型； 步骤3、 以ConvNeXt网络模型为特征提取层， 提取交通车辆图像特征， 使用faster ‑rcnn 模型获取交通车辆的分割图像的图像块； 步骤4、 使用训练完成的faster ‑rcnn模型检测交通车辆， 对提取的图像块使用DSST算 法， 分别做位置估计和尺度估计， 通过匈 牙利算法进行模型匹配， 实现交通车辆的跟踪。 2.如权利要求1所述的基于ConvNeXt网络和DSST算法的交通车辆跟踪方法， 其特征在 于， 所述步骤2中使用数据增强技 术对交通车辆样本进行扩充的步骤 包括： 使用mixup将交通车辆样本的车辆图像按比例混合； 使用cutmix将车辆图像的部分区域剪切掉， 同时使用其 他车辆图像进行替换； 使用randaugment对车辆图像做随机策略组合的增广方案； 使用random ‑erasing对车辆图像进行随机擦除。 3.如权利要求2所述的基于ConvNeXt网络和DSST算法的交通车辆跟踪方法， 其特征在 于， 所述步骤2中搭建ConvNeXt网络模型的步骤包括： 基于resnet50网络模型， 对每个 stage 的block进行规划， 使用无覆盖卷积进行降采样， 使用分组卷积提高计算速度， 使用逆瓶颈 结构进行 卷积。 4.如权利要求3所述的基于ConvNeXt网络和DSST算法的交通车辆跟踪方法， 其特征在 于， 所述步骤2中训练ConvNeXt网络模型的步骤包括： 基于Swin ‑transform算法优化训练策 略， 使用值从90增加到300的eopch， 对模型优化器进行更改， 增加正则策略， 以提高 ConvNext网络模型检测交通车辆的计算速度和准确率。 5.如权利要求1所述的基于ConvNeXt网络和DSST算法的交通车辆跟踪方法， 其特征在 于， 所述步骤3包括： 使用ConvNeXt网络模型提取交通车辆图像特征， 通过候选区域网络获 取精确的候选区域框图， 综合交通车辆图像特征和候选区域框图信息， 使用全连接层判断 交通车辆类别和候选区域框图的精确位置信息， 在 交通车辆样本的数据集上微调faster ‑ rcnn， 通过faster ‑rcnn模型获取交通车辆的分割图像的图像块。 6.如权利要求1所述的基于ConvNeXt网络和DSST算法的交通车辆跟踪方法， 其特征在 于， 所述步骤4中的位置估计的步骤包括： 基于MOSSE跟踪方法， 训练位置滤波器， 使用位置 滤波器估计出交通车辆的图像块在下一帧的估计位置 。 7.如权利要求1所述的基于ConvNeXt网络和DSST算法的交通车辆跟踪方法， 其特征在 于， 所述步骤4中的尺度估计的步骤包括： 通过位置滤波器进行跟踪获得交通车辆的位置， 对图像块的多维特 征计算高斯 函数滤波响应的输出， 根据输出的最大值确定尺度信息 。 8.如权利要求1所述的基于ConvNeXt网络和DSST算法的交通车辆跟踪方法， 其特征在 于， 所述步骤4中的通过匈牙利算法进行模型匹配， 实现交通车辆的跟踪的步骤包括： 计算 图像块在下一帧的估计位置的中心 点与当前帧实际检测位置的中心 点的余弦距离， 通过匈 牙利算法计算估计位置与实际检测 位置的增广矩阵， 当所有路径和最小时， 完成估计图像 块与检测图像块的匹配， 实现交通车辆的跟踪。权　利　要　求　书 1/2 页 2 CN 114862916 A 29.如权利要求1所述的基于ConvNeXt网络和DSST算法的交通车辆跟踪方法， 其特征在 于， 所述步骤1中拉取交通检测摄像头的视频流的步骤包括： 通过嵌入式工控机接入交通检 测摄像头内网， 访问摄像头ip地址拉取交通检测摄像头的视频流； 所述视频流包括包含有 时间戳和帧数的数据集。 10.一种应用如权利要求1 ‑9中任一项所述基于ConvNeXt网络和DSST算法的交通车辆 跟踪方法的系统， 其特 征在于， 包括： 交通视频流数据获取模块， 用于拉取交通检测摄像头的视频流并解码， 以获取交通车 辆样本； 交通车辆 图像检测模块， 用于使用数据增强技术对交通车辆样本进行扩充， 更改残差 网络模型 结构以搭建Co nvNeXt网络模型， 训练Co nvNeXt网络模型； 交通车辆图像分割模块， 用于以ConvNeXt网络模型为特征提取层， 提取交通车辆图像 特征， 使用faster ‑rcnn模型获取交通车辆的分割图像的图像块； 基于DSST算法的交通车辆跟踪模块， 用于使用训练完成的faster ‑rcnn模型检测交通 车辆， 对提取的图像块使用DSST算法， 分别做位置估计和尺度估计， 通过匈牙利算法进 行模 型匹配， 实现交通车辆的跟踪。权　利　要　求　书 2/2 页 3 CN 114862916 A 3