复杂交通环境下智能车多目标重识别跟踪方法研究

摘要

针对复杂道路交通环境下智能车前方目标因遮挡而出现的ID关联分配失效和跟踪精准度不高等问题，提出一种目标重识别的多目标跟踪方法。基于深度学习理论，构建了可充分获取目标全局特征和前景特征的目标重识别ReID模型。全局特征选择模型能强化特征区域学习，有效提取具有判别性的全局特征。空间局部特征选择模型对全局特征进行多尺度划分，能有效区分前景和背景特征并从多尺度空间特征中学习前景特征。建立余弦距离与IoU距离的关联代价矩阵，实现目标检测对象与跟踪轨迹和ReID特征相似性的关联。采用VeRi-776车辆重识别数据集和Market1501行人重识别数据集对所提出的ReID模型进行训练，在MOT16数据集上进行多目标跟踪性能对比实验。结果表明：通过引入ReID模型和改进代价矩阵的多目标跟踪方法能够更好地处理目标密集遮挡情况，在复杂的现实交通环境下实时精准地跟踪道路目标。

关键词

智能汽车 / 目标重识别 / 多目标跟踪 / 深度学习