1.一种车辆检测跟踪方法,其特征在于,包括:
获取训练好的目标检测模型;所述目标检测模型包括特征提取网络、多尺度特征融合网络和目标检测网络,所述特征融合网络包括沿正传播方向依次串联的CBS模块、四个卷积注意力模块和空间金字塔池化模块,每个所述卷积注意力模块均包括串联的第一幻影卷积子模块和C3GhostV2子模块;
将待检测视频中每帧图像输入所述特征提取网络,基于第二个卷积注意力模块、第三个卷积注意力模块和空间金字塔池化模块的输出得到第一特征图、第二特征图和第三特征图;其中,C3GhostV2子模块对特征图进行特征提取的步骤包括:将所述特征图分别输入第一CBS单元和第二CBS单元,输出第一中间特征和第二中间特征;
将所述第一中间特征输入长距离注意力机制增强单元,输出第三中间特征;
将所述第二中间特征和所述第三中间特征输入特征融合单元,输出第四中间特征;
将所述第四中间特征输入第三CBS单元,将所述第三CBS单元的输出作为C3GhostV2子模块的输出;
将所述第一特征图、所述第二特征图和所述第三特征图输入所述多尺度特征融合网络,输出目标特征图;
将所述目标特征图输入所述目标检测网络,输出车辆边界框及位置信息;
将所述待检测视频中所有帧图像中的车辆边界框及位置信息输入至训练好的DeepSort多目标追踪模型,输出所述待检测视频中各个车辆的运行轨迹。
2.根据权利要求1所述的车辆检测跟踪方法,其特征在于,所述目标检测模型的训练过程包括:获取待检测图像训练集;
将待检测图像训练集中的图像输入至目标检测模型中,输出所述图像中的预测车辆边界框;
基于所述预测车辆边界框和真实车辆边界框的交并比、预测车辆边界框的中心点与真实车辆边界框的中心点之间的欧式距离、覆盖所述预测车辆边界框与所述真实车辆边界框的最小外接矩形的对角线长度、宽度和高度构建宽高差异最小化损失函数;
基于所述宽高差异最小化损失函数和所述预测车辆边界框和真实车辆边界框的交并比,构建目标检测损失函数;
利用待检测图像训练集中的图像对所述目标检测模型进行训练,直到所述目标检测损失函数的值最小,得到训练好的目标检测模型。
3.根据权利要求2所述的车辆跟踪检测方法,其特征在于,所述预测车辆边界框和真实车辆边界框的交并比的计算公式为:,
其中,表示预测车辆边界框和真实车辆边界框的交并比;表示预测车辆边界框;表示真实车辆边界框;
所述宽高差异最小化损失函数表示为:
,
其中,表示宽高差异最小化损失函数;表示损失;表示距离损失;表示边长损失;表示预测车辆边界框的中心点与真实车辆边界框的中心点之间的欧式距离的平方;表示覆盖预测车辆边界框与真实车辆边界框的最小外接矩形的对角线长度;表示预测车辆边界框的宽度与真实车辆边界框的宽度之间的差值的平方;表示覆盖预测车辆边界框与真实车辆边界框的最小外接矩形的宽度;表示预测车辆边界框的高度与真实车辆边界框的高度之间的差值的平方;表示覆盖预测车辆边界框与真实车辆边界框的最小外接矩形的高度;
所述目标检测损失函数表示为:
,
其中,表示目标检测损失函数;表示用于控制曲线弧度的超参数。
4.根据权利要求1所述的车辆检测跟踪方法,其特征在于,所述多尺度特征融合网络包括自底向上的特征融合模块、自顶向下的特征融合模块和卷积模块;
所述自底向上的特征融合模块包括沿正传播方向依次串联的第二幻影卷积子模块、第一上采样子模块、第一特征融合子模块、第一C3子模块、第三幻影卷积子模块、第二上采样子模块和第二特征融合子模块;
所述自顶向下的特征融合模块包括沿正传播方向依次串联的第二C3子模块、第四幻影卷积子模块、第三特征融合子模块、第三C3子模块、第五幻影卷积子模块、第四特征融合子模块和第四C3子模块;
所述卷积模块包括第六幻影卷积子模块、第七幻影卷积子模块和第八幻影卷积子模块。
5.根据权利要求4所述的车辆检测跟踪方法,其特征在于,将所述第一特征图、所述第二特征图和所述第三特征图输入所述多尺度特征融合网络,输出目标特征图包括:将所述第一特征图输入所述自底向上的特征融合模块中的第二特征融合子模块;将所述第二特征图输入所述自底向上的特征融合模块中的第二特征融合子模块;将所述第三特征图输入所述自底向上的特征融合模块中的第二幻影卷积子模块;
将所述第二幻影卷积子模块输出的特征图输入所述自顶向下的特征融合模块中的第四特征融合子模块;将所述第三幻影卷积子模块输出的特征图输入所述自顶向下的特征融合模块中的第三特征融合子模块;将所述第二特征融合子模块输出的特征图输入所述自顶向下的特征融合模块中的第二C3子模块;
将所述第二C3子模块输出的特征图输入所述第六幻影卷积子模块,输出第一目标特征图;将所述第三C3子模块输出的特征图输入所述第七幻影卷积子模块,输出第二目标特征图;将所述第四C3子模块输出的特征图输入所述第八幻影卷积子模块,输出第三目标特征图。
6.根据权利要求5所述的车辆检测跟踪方法,其特征在于,所述目标检测网络包括第一检测头、第二检测头和第三检测头。
7.根据权利要求6所述的车辆检测跟踪方法,其特征在于,将所述目标特征图输入所述目标检测网络,输出车辆边界框及位置信息包括:将所述第一目标特征图输入所述第一检测头,输出第一预测边界框的坐标、所述第一预测边界框为车辆边界框的置信度、所述第一预测边界框属于各个类别边界框的概率分布;
将所述第二目标特征图输入所述第二检测头,输出第二预测边界框的坐标、所述第二预测边界框为车辆边界框的置信度、所述第二预测边界框属于各个类别边界框的概率分布;
将所述第三目标特征图输入所述第三检测头,输出第三预测边界框的坐标、所述第三预测边界框为车辆边界框的置信度、所述第三预测边界框属于各个类别边界框的概率分布。
8.根据权利要求1所述的车辆检测跟踪方法,其特征在于,所述DeepSort多目标追踪模型中的特征提取网络为ShuffleNetV2。
9.一种车辆检测跟踪装置,其特征在于,包括:
目标检测模型获取模块,用于获取训练好的目标检测模型;所述目标检测模型包括特征提取网络、多尺度特征融合网络和目标检测网络,所述特征融合网络包括沿正传播方向依次串联的CBS模块、四个卷积注意力模块和空间金字塔池化模块,每个所述卷积注意力模块均包括串联的第一幻影卷积子模块和C3GhostV2子模块;
特征提取模块,用于将待检测视频中每帧图像输入所述特征提取网络,基于第二个卷积注意力模块、第三个卷积注意力模块和空间金字塔池化模块的输出得到第一特征图、第二特征图和第三特征图;其中,C3GhostV2子模块对特征图进行特征提取的步骤包括:将所述特征图分别输入第一CBS单元和第二CBS单元,输出第一中间特征和第二中间特征;
将所述第一中间特征输入长距离注意力机制增强单元,输出第三中间特征;
将所述第二中间特征和所述第三中间特征输入特征融合单元,输出第四中间特征;
将所述第四中间特征输入第三CBS单元,将所述第三CBS单元的输出作为C3GhostV2子模块的输出;
特征融合模块,用于将所述第一特征图、所述第二特征图和所述第三特征图输入所述多尺度特征融合网络,输出目标特征图;
目标检测模块,用于将所述目标特征图输入所述目标检测网络,输出车辆边界框及位置信息;
目标跟踪模块,用于将所述待检测视频中所有帧图像中的车辆边界框及位置信息输入至训练好的DeepSort多目标追踪模型,输出所述待检测视频中各个车辆的运行轨迹。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-8任一项所述的车辆检测跟踪方法的步骤。