复杂交通监控视频中车辆检测跟踪研究及应用

作     者：刘晓萌 

作者单位：石家庄铁道大学 

学位级别：硕士

导师姓名：封筠;张常有

授予年度：2023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：车辆检测 车辆跟踪 车辆行为识别 YOLOv5 Deep SORT 复杂交通监控视频 

摘      要：在智能交通发展过程中,道路交通监控视频的智能分析是值得重点关注的技术,其中作为关键环节的车辆检测与跟踪,目前仍存在一些技术难题。当出现行车环境复杂、车辆目标尺度差异大以及车辆相互遮挡等情况时,车辆检测容易出现漏检误检、准确度低的问题,车辆跟踪效果也会变差,直接影响车辆行为识别的准确程度。本文针对上述问题,围绕车辆多目标检测和跟踪算法展开研究,并将所得到的车辆轨迹信息应用于车辆行为识别,旨在降低车辆漏检误检率,提高车辆检测和车辆跟踪的准确率,进而更准确地实现车辆行为识别。快速、精确地获取必要的交通信息,对于解决交通拥堵以及提高交通的安全性具有重要的作用。本文的主要研究工作如下:(1)针对场景复杂、目标尺度差异大可能造成漏检误检的问题,提出了一种基于YOLOv5s的联合多尺度与注意力机制的车辆检测网络模型。首先改进回归损失函数,使用SIOU损失替换原始GIOU损失;然后将CA注意力机制融合到骨干网络;最后在加强特征提取网络引入Bi FPN。在UA-DETRAC数据集和自行采集数据集上的实验结果表明,改进后的模型相较于原YOLOv5s网络,m AP@0.5分别提升了2.4%和3.6%,并在一定程度上改善了车辆漏检误检的问题。与现有方法相比,本文所提出的检测模型取得了相对较好的效果。(2)针对跟踪目标因遮挡等影响因素容易出现目标丢失、跟踪精度低等问题,提出了一种基于改进Deep SORT的车辆跟踪模型。在外观分支,使用大型车辆重识别Ve Ri数据集对外观特征提取网络进行重新训练,并用指数移动平均特征更新策略替换原始Deep SORT算法的特征库;在运动分支,使用NSA算法替换传统的卡尔曼滤波算法;在数据关联阶段,使用GIOU度量方式改进IOU匹配。在公开UA-DETRAC数据集上的实验结果表明,相较于原Deep SORT算法,改进后的Deep SORT算法,其MOTA和IDF1值分别提升了6.9%与3.2%。(3)应用车辆检测跟踪得到的车辆轨迹信息,构建了车辆行为识别模型。首先根据获取每一帧跟踪所得到的车辆外接矩形框的中心点坐标集合,建立车辆轨迹模型;然后根据车辆轨迹模型分坐标转换、确定车辆运动方向,以及根据车辆运动方向和车辆驶入路口方向判断车辆行为这三步建立车辆行为识别模型去识别不同车辆行为。通过在自行采集数据集上的实验验证了该模型的有效性。