复杂道路场景下多车辆的检测与跟踪算法研究

作     者：周昕 

作者单位：南京邮电大学 

学位级别：硕士

导师姓名：李玲娟

授予年度：2022年

学科分类：08[工学] 080203[工学-机械设计及理论] 0838[工学-公安技术] 0802[工学-机械工程] 

主      题：深度学习 车辆检测 车辆跟踪 RFB-Net Deep-sort 

摘      要：在智能交通系统中,车辆的有效检测与实时跟踪是对车辆进行行为分析与判断的前提,对智能交通有着重要意义。本文以提高检测与跟踪的准确性为目标,对复杂道路场景下多车辆的检测与跟踪算法进行研究。针对检测,设计了一种基于改进的RFB-Net的多车辆检测算法IR-MVD。该算法从先验框设定方法、注意力机制、损失函数三方面对RFB-Net进行了改进。用改进的K-means算法来设置RFB-Net的最佳先验框以解决RFB-Net先验框的设置过度依赖调参经验的问题,其中改进的K-means算法用Io U进行距离度量;在特征提取后,引入有效的通道注意力机制ECA;损失函数采用更适合一阶段目标检测的焦点损失函数;并且重新训练模型来对图像中的目标车辆进行检测。在VOC 2007数据集上进行车辆检测的实验结果表明:IR-MVD算法有效提高了车辆检测的精度,且针对小尺度目标的检测精度提升明显。针对跟踪,设计了一种基于检测的多运动车辆跟踪算法D-MMVT。该算法以IR-MVD训练出的模型作为检测器,以改进的Deep-Sort（命名为IDeep-Sort）作为跟踪器,其中IDeep-Sort从深度特征提取网络、损失函数、学习率三个方面对Deep-Sort的特征提取做了改进。用改进的Res Net-34作特征提取网络;将Softmax损失函数与三元组损失函数和中心损失函数相结合,用作特征提取网络的损失函数;用余弦退火学习率衰减方法优化Deep-Sort特征提取网络的学习率。在OTB-100数据集和日常监控道路的视频上所做的多运动车辆跟踪实验的结果表明:D-MMVT算法能够减少ID切换等跟踪失效的情况,从而提高多运动车辆检测跟踪的准确性和精度。为了检验D-MMVT算法的有效性,开发了一个简单的多运动车辆检测与跟踪原型系统,将D-MMVT算法应用于其中;该系统的运行结果表明:D-MMVT算法可获得很好的检测与跟踪效果,具有较好的鲁棒性。