(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 202210724295.1 (22)申请日 2022.06.23 (71)申请人 江苏嘉和天盛信息科技有限公司 地址 224000 江苏省盐城市 盐都区鹿鸣路 988号金航财富大厦1幢701室(B) (72)发明人 李德成　董栋　吴晓峰　王磊　 佟哲　 (74)专利代理 机构 湖州锦汉专利代理事务所 (普通合伙) 33469 专利代理师 徐敏 (51)Int.Cl. G06V 10/82(2022.01) G06V 20/52(2022.01) G06V 10/62(2022.01) G06T 7/292(2017.01)G06T 7/246(2017.01) G08G 1/017(2006.01) (54)发明名称 基于深度卷积神经网络的道路交通目标跟 踪方法 (57)摘要 本发明公开了基于深度卷积神经网络的道 路交通目标跟踪方法。 通过监控终端对需要查找 的目标车辆进行车牌和特征输入， 使卷积神经网 络对道路摄像头进行捕捉命令， 通过道路摄像头 对特征车辆进行筛选和排查确定出目标车辆， 再 通过多组道路摄像头相互配合， 将目标车辆的实 时定位实时图像和视频传输给监控终端进行追 踪显示， 且监控终端能够对目标车辆进行确定和 否定， 从而增加了目标车辆的定位和追踪的精准 度； 通过对 车辆否定筛选掉的车辆会进行自动排 除， 有效提高了对目标车辆捕捉的效率， 避免系 统重复捕捉而造成时间的浪费； 通过卷积神经网 络的智能性能够对目标车辆进行快速有效的捕 捉和追踪， 增加锁定的及时性和速率， 具有防止 目标车辆 丢失的效果。 权利要求书1页 说明书4页 CN 115272816 A 2022.11.01 CN 115272816 A 1.基于深度卷积神经网络的道路交通目标跟踪方法， 其特 征在于， 包括以下步骤： S1： 通过监控确定车辆通过监测路段的正常行驶时间； S2： 通过卷积神经网络对道路摄 像头进行目标 车辆的排 查； S3： 卷积神经网络对道路摄像头排查后将目标车辆传输至监控终端判断该车是否遭遇 异常情况； S4： 确定目标 车辆后对该 车进行锁定和跟踪； S5： 当捕捉到目标车辆后， 通过目标捕捉模块对车辆的行驶进行多组图像和多组不同 位置的图像并对图像进行实时切换； S6： 通过追踪切换模块对目标车辆捕捉和追踪目标车辆通过卷积神经网络将此时道路 摄像头的实时定位发送给监控终端， 使监控终端上显示出 车辆移动轨 迹。 2.根据权利要求1所述的基于深度卷积神经网络的道路交通目标跟踪方法， 其特征在 于， 所述S1中是通过监测系统采集监测点的车速 分布特点然后再 统计车速的均值和方差确 定的。 3.根据权利要求1所述的基于深度卷积神经网络的道路交通目标跟踪方法， 其特征在 于， 所述S2中监控终端是终端将测得的信号转换成数据上传至监控中心,并将监控中心发 送的数据转换成命令,实现对路灯、 景观灯、 楼宇光彩等的智能化控制， 对目标车辆进行显 示和车辆信息进行输入。 4.根据权利要求1所述的基于深度卷积神经网络的道路交通目标跟踪方法， 其特征在 于， 所述S 3中卷积神经网络的输入层可以处理多维数据， 常见地， 一 维卷积神经网络的输入 层接收一维或二维数组， 其中一维数组通常为时间或频谱采样； 二维数组可能包含多个通 道； 二维卷积神经网络的输入层接 收二维或三维数组； 三维卷积神经网络的输入层接 收四 维数组， 通过智能网络对设备进行传输和命令 。 5.根据权利要求1所述的基于深度卷积神经网络的道路交通目标跟踪方法， 其特征在 于， 所述S4中如果监控终端进 行判定结果为是， 继续以下步骤S5， 如果监控终端进 行判定为 否， 则返回S2继续对车辆进 行再次筛选， 直到选中目标车辆为主， 这时已经被筛选过的目标 车辆会进行自动排出。 6.根据权利要求1所述的基于深度卷积神经网络的道路交通目标跟踪方法， 其特征在 于， 所述S5中目标捕捉模块对目标车辆进行动态捕捉， 确定车辆行经路线并对图像进行实 时切换， 以防车辆跑 出视屏外 。 7.根据权利要求1所述的基于深度卷积神经网络的道路交通目标跟踪方法， 其特征在 于， 所述S6中追踪切换模块为视频图像切换并通过多组道路摄像头对目标车辆进行锁定， 最后并将画面传输给监控终端最终通过检测模块将摄像头和各个模块的运行数据通过积 神经网络与正常的运行 数据进行对比， 并将检测结果发送给监控终端。权　利　要　求　书 1/1 页 2 CN 115272816 A 2基于深度卷积神经 网络的道路交通目标跟踪 方法 技术领域 [0001]本发明涉及道 路交通技术领域， 具体为基于深度卷积神经网络的道 路交通目标跟 踪方法。 背景技术 [0002]对车辆的持续跟踪对于肇事车辆 的追捕以及减少交通事故， 具有重要意义。 随着 计算机技术的快速发展， 推动着视频图像的智能化应用。 当前对于视频图像的研究热点之 一， 就包括运动目标跟踪。 当前对于运动目标的研究主要集中在单个摄像头的跟踪， 但是此 类研究存在 遮挡问题， 监控区域小等问题， 在实际的应用中存在很多的弊端。 跨摄像头的目 标跟踪， 在监控区域和时间上都能够很好的满足实际的需要。 为了实现跨摄像头的车辆目 标检测与跟踪， 本论文中的核心算法由两大部分组成： 第一部分是基于背景差分法求单摄 像头目标轨迹。 第二部分是基于图像透视变换算法。 将不同摄像头视角下 的运动轨迹矫正 为正俯视角， 再根据 空间规则进行拼接达到跨摄像头跟踪的目的。 本论文利用这两种核心 算法， 对目标跟踪和检测的结果进行综合处理， 来找出运动车辆目标并实现跨摄像头跟踪 的目的。 道路交通是指简称交通， 车辆和行人在道路上的流动和滞留， 有时还包括停放车， 企业对人的流动的服务和人对货物的移动， 有时还包括货物的储存， 则称为运输， 如旅客运 输、 货物运输、 公路运输、 铁路运输、 航空运输、 水路运输等， 以上两者总称交通运输或交通 与运输， 在中国也常简称为交通， 或简称为运输。 卷积神经网络是人工神经网络的一种已成 为当前语音分析和图像识别领域的研究热点， 它的权值共享网络结构使之更类似于生物神 经网络， 降低了网络模型的复杂度， 减少了权值的数量。 该优点在网络的输入是多维图像时 表现的更为明显， 使图像可以直接作为网络的输入， 避免了传统识别算法中复杂的特征提 取和数据重建过程。 卷积网络是为识别二维形状而特殊设计的一个多层感知器， 这种网络 结构对平移、 比例缩放、 倾斜或者共他形式的变形具有高度不变性。 卷积神经网络是近年来 广泛应用于模式识别、 图像处理篾领域的一种高效识别算法， 它 具有结构简单训练参数少 和适应性强等特点。 本文丛卷积神经网络的发展历开始,详细阐述了卷想神经四络的网络 结构、 神经元模型和训练算法。 在此基础上以卷积神经网络在人脸检测和形状识别方面的 应用为例， 简单介绍了卷积神经网络在工程上的应用， 并给 出了设计思路和网络结构。 [0003]现有的基于深度卷积神经网络的道路交通目标跟踪方法对目标车辆的捕捉效率 较低， 捕捉目标 车辆的精准度差， 易造成不能对目标 车辆及时捕捉的问题。 发明内容 [0004](一)解决的技 术问题 [0005]针对现有技术的不足， 本发明提供了基于深度卷积神经网络的道 路交通目标跟踪 方法， 具备自动筛 选目标车俩等优点， 解决了上述背景技 术中的问题。 [0006](二)技术方案 [0007]为实现上述目的， 本发明提供如下技术方案： 基于深度卷积神经网络 的道路交通说　明　书 1/4 页 3 CN 115272816 A 3