交通监控场景中的车辆检测与跟踪算法研究

作     者：李震霄 

作者单位：中国矿业大学 

学位级别：硕士

导师姓名：孙伟

授予年度：2021年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 080203[工学-机械设计及理论] 0838[工学-公安技术] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：车辆检测跟踪 YOLOv3算法 Deepsort算法 LSTM 

摘      要：近年来,基于深度学习的车辆检测和跟踪算法表现出优异的性能,在交通监控场景中已经逐渐取代传统算法。但是深度学习算法需要消耗大量的计算资源和存储内存,目前主要将其部署在云端实现数据的分析和研判,在数据爆炸式的增长趋势下很难实现实时的反馈。基于上述问题,边缘计算应运而生,其在网络的边缘侧进行数据的处理和决策,从而实现对交通事件的快速响应。本文结合边缘计算的实现思路,将深度学习算法部署到嵌入式平台。借鉴当前多目标跟踪算法的解决方案,利用基于检测的多目标跟踪框架,设计轻量级的多车辆跟踪算法,对监控范围内的车辆实现准确、实时跟踪。本文主要研究内容如下:(1)受轻量级目标检测算法启发,权衡检测精度、运行速度和模型大小,提出一种基于特征融合的轻量级目标检测算法R-YOLOv3。首先,基于YOLOv3-Mobilenetv2改进主干卷积网络结构,提升网络的特征提取能力。同时设计FPN多特征融合网络和多尺度聚合模块,增强多尺度特征图间的信息融合。并且引入空洞卷积构建不同大小的感受野,提升对不同尺度目标的特征提取能力;然后,结合KITTI数据集,使用K-means算法进行维度聚类,得到合适的预选框参数;最后,在KITTI数据集上进行实验,实验对比表明R-YOLOv3适合作为轻量级检测器实现车辆的检测任务。(2)针对多车辆跟踪时存在身份跳变的情况,提出基于Deepsort改进的多车辆跟踪算法L-Deepsort。首先,利用长短时记忆网络代替卡尔曼滤波器,设计完全数据驱动的轨迹预测算法,解决卡尔曼滤波在非线性系统中产生的预测误差;其次,引入孪生网络,利用Mobilenetv2作为子网络,训练轻量级车辆外观匹配模型;并且改进Deepsort跟踪算法的外观匹配策略,提升目标间的关联性。最后,在KITTI-Tracking数据集验证算法性能,实验表明L-Deepsort在跟踪性能提高的情况下满足实时性要求。(3)针对基于深度学习的目标检测算法在嵌入式平台部署困难的问题,对R-YOLOv3模型进行加速。首先,利用NVIDIA嵌入式平台具备的Tensor RT推理优化框架对R-YOLOv3检测模型进行加速;然后,将优化后的检测模型作为L-Deepsort跟踪算法的检测模块,构建基于检测的多车辆跟踪算法RYL-Deepsort;最后,将算法部署到Jetson TX2平台,在现实场景中进行测试。实验表明基于检测的多车辆跟踪算法RYL-Deepsort在跟踪性能没有明显降低的情况下,速度得到大幅提升。该论文有图42幅,表13个,参考文献86篇。