

摘 要 针对多目标因相互交错或被遮挡以及检测目标外观外貌和背景颜色相近等现象 导致目标跟踪的漏检 错检ID 分配紊乱等问题 提出了一种改进YOLOv5 DeepSORT和 跟踪算法 为加强网络对全局上下文特征的提取能力 文章提出优化DeepSORT 的特征提取网络模型 并通过去掉1 层卷积层 增加4 层残差层以及采用自适应平均池化层和增加网络的深度与宽度 对行人提取更加深层次的语义信息 最后 通过实验验证了DeepSORT 目标跟踪算法的优越性 其能够准确地对目标进行跟踪 具有一定的理论探索意义和实用价值
关键词 多目标跟踪 行人识别
中图法分类号 文献标识码A
1 引言
随着计算机视觉技术[1] 的高速发展,目标检测与跟踪技术[2] 已经应用到各个领域中,如自动驾驶、智慧交通以及公共安全监管等。目标跟踪算法可以分为2 大类,分别为单目标跟踪[3] 和多目标跟踪[4] 。单目标跟踪算法是在每张图片中只跟踪一个目标,而多目标跟踪算法则是连续跟踪视频或者图像帧中的多个目标,多目标跟踪更多的是解决相似度计算和数据关联的问题。2016 年,Redmon[5] 提出了一种One?Stage 方法,即YOLO 算法,其虽牺牲了检测准度和定位精度,但是检测速度大幅提高,从而达到实时的目标检测要求。SORT 算法[6]( Simple Online andRealtime Tracking)是一个非常简单实用的多目标跟踪算法。在SORT 算法中,仅仅通过IOU 来进行匹配,虽然速度极快,但是存在大量身份ID 互换的现象。DeepSORT 算法[7] 在SORT 算法的基础上引入了级联匹配和匈牙利算法将目标轨迹的预测框与检测框进行了数据关联匹配。……