原文传递
基于深度学习的多目标车辆检测与跟踪算法研究
| 论文题名： | 基于深度学习的多目标车辆检测与跟踪算法研究 |
| 关键词： | 多目标车辆检测;目标跟踪;深度学习;轻量化设计 |
| 摘要： | 随着信息化和智能化时代的到来，智能监控系统得到快速发展，通过智能监控系统对道路上的车辆进行检测和跟踪，可以有效实现事前紧急预警、事中及时处理、事后精准取证等过程，还可以为车辆行驶状态检测提供支持，节省人力开支。传统检测跟踪方法耗时较长，实时性较差；而深度学习方法对设备性能要求较高，不能很好的应用于摄像头等轻便型设备，因此需要对算法进行轻量化处理。本文将在牺牲一部分精度的前提下，着重减小网络的参数量、计算量和模型大小，降低算法对设备性能的要求，提高算法的检测跟踪速度。本文主要研究内容如下： （1）目标检测与多目标跟踪相关算法研究。对目前应用较广泛的FasterR-CNN网络和Yolov5s网络的原理进行研究，对多目标跟踪算法中应用较为广泛的SORT算法和DeepSort算法进行研究，通过结果对比分析这几种算法的优缺点，并选择适合本文的目标检测算法和多目标跟踪算法；对数据集标注进行格式转换，为后续实验做准备。 （2）改进Yolov5s网络的车辆检测算法研究。针对目前深度学习网络不能较好地满足摄像头等轻便型设备应用的问题，引入轻量型MobileNetV2网络对Yolov5s目标检测算法的骨干网络进行改进，从而降低目标检测网络的模型权重大小和参数量。考虑到经过轻量化处理后特征损失较多，因此在颈部网络中融入CABM注意力机制来保留更多特征信息；为了在轻量型Yolov5s网络基础上提升检测精度，增加SPP结构分支来增大感受野，同时在轻量型Yolov5s网络基础上增加检测层，来提高对小型目标的检测效果；为改进后的Yolov5s网络算法设计实验进行验证，并为改进后的目标检测算法设计稳定性实验，验证其稳定性。 （3）改进DeepSort多目标车辆跟踪算法研究。针对DeepSort算法中的特征提取网络模型不太适合车辆外观特征提取的问题，在车辆重识别数据集上对该网络进行重新训练，并采用ShuffleNetV2网络对其改进；针对DeepSort算法中采用两阶段目标检测网络造成跟踪速度较慢的问题，将改进的目标检测网络与DeepSort算法相结合，并采用GIoU匹配替换IoU匹配，用来更好的衡量目标检测框与预测框之间的匹配度；为改进后的算法设计实验，在测试数据集上进行算法性能的对比，验证改进后算法的运行速度。 通过轻量化改进处理，本文的检测算法和跟踪算法的参数量和模型权重均得到减小，且检测速度和跟踪速度得到了不同程度的提升。 |
| 作者： | 李梦叶 |
| 专业： | 信息与通信工程 |
| 导师： | 张家明 |
| 授予学位： | 硕士 |
| 授予学位单位： | 武汉理工大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
