买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京工业大学;湖南航天有限责任公司

摘要：一种车辆跟踪方法属于机器视觉领域。本发明首先提出了一种改进的yolo深度学习网络，将原yolo网络结构中的卷积层变更为可变核卷积层，能够改变卷积核的大小，提高对不同形状车辆目标的适应情况，提升识别的准确率。之后将网络中的上采样器层改成动态采样层，可以在不提升网络复杂度的情况下，提升识别的精度，构建成为最终的目标识别网络模型。然后进行模型预训练，更新最新的网络模型参数，得到车辆目标检测模型和权值。随后用最新的权重执行目标识别任务的推理。对识别到的概率最大的目标进行目标跟踪。

主权项：1.一种车辆跟踪方法，其特征在于：提出的网络结构由骨干网backbone、颈部网neck和检测头head三部分组成；其中骨干网对输入的图像进行特征提取，颈部网的作用是对特征图进行特征融合，检测头的作用是进行检测；首先介绍骨干网，输入车辆图像，通过预处理将车辆图像整合为大小为640×640的三通道图像，先经过一个卷积核为6×6，步长为2，填充为2的卷积层，这是第0层，卷积层内部结构，由二维卷积模块，批量归一化模块和激活函数模块组成；采用Sigmoid门控线性单元SigmoidGatedLinearUnit作为激活函数；这个卷积层使图像变为大小为320×320的64通道图像；之后再经过卷积核为3×3，步长为2的卷积层，使特征图像长和宽都缩小一半，大小为160×160；第0层后第1,3,5层为卷积层，在第7层为AKConv层，第1,3,5,7层后经过一个叫C3_AKConv的复合层；即第2,4,6,8为C3_AKConv的复合层；在骨干网中，经过第1、3、5、7层这样的卷积层都会使图像的长和宽都缩小一半；每个卷积层后经过一个叫C3_AKConv的复合层；在C3_AKConv层内部，输入经过一个核为1×1，步长为1的卷积层，其中得到一个输出，输入经过核为1×1，步长为1的卷积层和BottleNeck层也得到一个输出，这两个输出进行特征融合即Concat，之后再经过一个卷积层，得到C3_AKConv层最终的输出，在骨干网中，BottleNeck层内部的卷积层为AKConv层；第4、第6层的特征图大小分别为80×80、40×40；在第7层，图像通过一个卷积核为3×3，步长为2的AKConv层；再通过一个与第2层相同的C3_AKConv即第8层；之后通过一个快速空间金字塔池化层SPPF即第9层，快速空间金字塔池化层SPPF结构为：通过一个核为1×1，步长为1的卷积层，然后通过三个5×5的最大池化层，将三个最大池化层的结果进行特征融合之后再通过一个核为1×1，步长为1的卷积层至此骨干网部分结束；从第10层开始到第23层为网络的颈部，第9层的输出输入到骨干网的第10层，第10层是一个卷积核为1×1，步长为1的卷积层，提取特征，但特征图大小不变，为20×20；之后传到第11层，对第10层的输出进行采样倍数为2的动态采样，动态采样层将图片的长和宽都放大一倍，特征图大小为40×40；在第12层，将第6层的输出大小为40×40与第11层的输出进行特征融合；第13层是一个C3层；第14层是一个卷积核为1×1，步长为1的卷积层；第15层是一个动态采样层，使特征图大小放大为80×80，第16层将第4层的输出即大小为80×80的特征图和第15层的输出进行融合，第17层是C3层；从第10层到第17层，特征图的长和宽都放大了四倍；之后第18层是一个卷积核为3×3，步长为2的卷积层，将特征图的长和宽缩小一半，变为40×40，第19层是特征融合层，将第14层的输出和第18层的输出进行特征融合，第20层为C3层，参数与第13层相同，第21层是一个卷积核为3×3，步长为2的卷积层，将特征图的长和宽再缩小一半，变为20×20，第22层是特征融合层，将第10层的输出和第21层的输出进行特征融合，第23层为C3层，参数与第20层相同；经过一个颈部网络，各尺寸的特征图进行了融合，并得到了各个尺寸最终的特征图，即第17层、20层和23层的输出；将这三个输出到的head部分，得到目标识别的结果。

全文数据：

权利要求：

百度查询： 北京工业大学 湖南航天有限责任公司 一种车辆跟踪方法