模糊遮挡下红外车辆目标跟踪技术研究

作     者：雷旭琛 

作者单位：西安工业大学 

学位级别：硕士

导师姓名：李静;李向军

授予年度：2024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：红外目标跟踪 目标检测 核相关滤波算法 YOLOv5 DeepSort 

摘      要：近年来,红外成像技术在安防和交通领域逐渐被广泛应用,其应用在目标跟踪领域中可以大大扩展目标跟踪的适用场景。但红外图像的细节信息较可见光更少,因此对红外目标的跟踪难度较大。特别是在现实环境中受到红外图像采集器和采集环境的影响,采集到的红外图像往往分辨率低,较为模糊,且跟踪的目标往往会面临尺度变化,障碍物遮挡等情况,加深了跟踪难度,出现跟踪漂移,跟踪失败等情况。本文对模糊红外车辆图像在不同遮挡情况下的跟踪技术进行研究,分别对单红外车辆目标跟踪和多红外车辆目标跟踪算法进行改进,主要的研究内容如下: (1)对于单红外车辆目标选择核相关滤波算法进行跟踪,分别提取所跟踪的红外车辆目标的FHOG特征与LBP特征,并将两种特征依据最大响应值自适应融合,提高跟踪器判别目标的性能。同时加入尺度滤波器提取目标的尺度信息,解决红外车辆目标的尺度变换问题。在自制红外数据集上进行对比实验,对结果进行分析可知,改进后的算法在不同的遮挡情况下跟踪精确度和成功率分别提升了12.8%和11.9%,验证了改进算法的可行性。 (2)改进了基于YOLOv5的红外车辆目标检测算法。将CBAM注意力模块引入YOLOv5的主干网络中,增强了目标的细节特征权重,提高了卷积神经网络的特征表示能力。同时引入轻量级卷积网络GSConv来减轻模型的体量,以便更好进行实时检测。在自制红外数据集上进行消融实验,依据实验结果的对比分析可知,改进后的算法和原算法相比,模型内存开销降低了5.1%,同时Precision、Recall和m AP0.5也都分别有2.05%,1.42%,1.94%的提升。可见本文改进算法具有一定的优越性。 (3)对于多红外车辆目标跟踪,引入YOLOv5+DeepSort多目标跟踪算法,在多目标跟踪时先使用改进的YOLOv5检测算法检测目标,并在Deep Sort的表观特征提取部分引入轻量化的全尺度特征学习模型OSNet,使用该网络对车辆目标进行重识别模型训练,增强特征提取能力,提高跟踪算法整体的准确度。在不同的遮挡情况下分别进行对比实验,经实验验证,改进后的Deep Sort跟踪算法的准确度和精确度较原算法分别提升了3.9%和4.4%,且ID切换次数较少,鲁棒性更强。