改进YOLOv5的多车辆目标实时检测及跟踪算法

摘要：

多车辆目标跟踪时间主要花费在车辆检测模块和对每个车辆表观特征提取模块,一般情况下,车辆检测和车辆表观特征提取是在不同的神经网络中进行的,且一张图中的车辆目标越多,对车辆表观特征提取耗费时间的也越多,推理时间也相应变长.针对这一问题,基于经典的 Tracking-By-Detection 模式,提出一种改进的 YOLO 模型:在 YOLO 网络中添加 ReID(re-identification)特征识别模块,使YOLO在输出目标位置信息的同时输出目标特征信息,以提高算法的跟踪速度.针对车辆间彼此覆盖的情况,提出一种基于动态IOU阈值的非极大值抑制算法,以提高算法的跟踪精度.最后将YOLO输出的信息进行数据匹配,从而实现多目标跟踪.在UA-DETRAC数据集上验证改进模型的有效性.实验结果表明:将YOLOv5 网络进行改进后运用在目标跟踪算法中,相对于经典的YOLO +DeepSORT跟踪模型,在车辆密集的情景下平均推理时间减少了17%;在改进后的网络上添加动态IOU阈值非极大值抑制,跟踪精度提高了3.9 个百分点.改进后的模型有较好的实时性与跟踪准确率.

关键词：YOLOv5、多目标跟踪、目标检测、深度学习、非极大值抑制

所属期刊栏目：23

分类号：TP391.41(计算技术、计算机技术)

资助基金：四川省科技创新基地平台;人才计划项目;四川省科技计划项目;宜宾市双城市校协议专项科研经费科技项目

在线出版日期：2023-10-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：12159-12167