融合时空特征的隧道场景跨相机车辆实时跟踪方法

跨相机车辆跟踪对实现智慧交通具有重要意义,在隧道场景中,由于环境照度较低、同型车辆特征相似等因素的影响,现有目标重识别方案难以满足实际应用中对车辆跟踪精度和实时性的要求。考虑隧道交通场景下车辆的车型和时空特征,提出了一种融合时空特征的跨相机多目标跟踪方法。在YOLOv7目标检测模型中加入归一化注意力模块(NAM),使模型更关注感兴趣区域,结合相机标定获得车辆在真实空间中位置坐标。在卡尔曼滤波的基础上结合车辆速度进行目标位置预测,引入二次关联策略(BYTE)完成单相机下车辆跟踪,并使用间隔帧方法提高跟踪速度。提出以车型和时空特征为基础的跨相机目标匹配代价矩阵,采用匈牙利算法完成车辆目标匹配,从而实现跨相机车辆目标跟踪,生成隧道场景的车辆目标时空图。在构建的隧道场景跨相机车辆目标跟踪数据集上实验结果表明:跟踪准确度达到82.1%,检测跟踪整体速度达到115 FPS,跨相机目标匹配正确率达到94.9%,跟踪速度与精度优于其他方法。