摘要：針對當(dāng)前目標(biāo)車輛因遮擋、天氣等因素造成的漏檢，以及跟蹤過程中車輛身份丟失和變換等現(xiàn)象，本文提出了一種改進的YOLOv5與DeepSort車輛檢測跟蹤算法。在車輛目標(biāo)檢測部分，本文在YOLOv5網(wǎng)絡(luò)中添加了注意力模塊CBAM，以更有效地提取目標(biāo)特征；同時，引入了SIoU作為邊界框損失函數(shù)，不僅提升了邊界框定位的準(zhǔn)確性，也加快了邊界框的回歸速度。在車輛跟蹤部分，改進了DeepSort算法，使用擴展卡爾曼濾波器預(yù)測非線性環(huán)境下的車輛位置，并且使用匈牙利算法將預(yù)測軌跡和檢測軌跡進行最優(yōu)匹配，從而在復(fù)雜環(huán)境下優(yōu)化由車輛相互覆蓋引起的漏檢問題。最終，通過改進后的YOLOv5與DeepSort算法進行檢測和跟蹤，并使用UA-DETRAC數(shù)據(jù)集進行驗證。實驗結(jié)果表明：改進后的YOLOv5用于目標(biāo)追蹤算法后，平均精確度較原算法提高了4%；結(jié)合改進后的DeepSort追蹤算法，平均精確度提高至63.6%，比原算法提高了3.6%；車輛目標(biāo)身份轉(zhuǎn)換的次數(shù)比原算法減少了53次，降低了6.6%。改進后的算法模型在追蹤精確度和實時性上均表現(xiàn)良好。

關(guān)鍵詞：YOLOv5；DeepSort；目標(biāo)檢測；多目標(biāo)跟蹤；注意力機制

中圖分類號：TP18 文獻標(biāo)識碼：A

文章編號：1009-3044（2024）19-0001-05

0 引言

近幾年，計算機視覺技術(shù)常被用于車輛多目標(biāo)檢測跟蹤領(lǐng)域[1]，該技術(shù)的發(fā)展有助于推動智能駕駛車輛和視頻監(jiān)控等[2-5]相關(guān)方向的發(fā)展。在多目標(biāo)跟蹤問題的研究中，解決方案通常分為兩個步驟：目標(biāo)檢測和目標(biāo)數(shù)據(jù)關(guān)聯(lián)。這兩個步驟共同構(gòu)成了車輛跟蹤研究中的核心問題，即如何準(zhǔn)確地將不同幀中的目標(biāo)識別為同一目標(biāo)?，F(xiàn)階段多目標(biāo)跟蹤可分為兩類：一類是將Re-ID（re-identification） 模塊與目標(biāo)檢測網(wǎng)絡(luò)分離的DBT（detection-based tracking） [6]方法；另一類是將Re-ID模塊整合到目標(biāo)檢測網(wǎng)絡(luò)中的JDT（joint detectiontracking） 方法。DBT方法通過兩個獨立的網(wǎng)絡(luò)來實現(xiàn)目標(biāo)檢測和Re-ID，從而提高追蹤的準(zhǔn)確性，而JDT方法則在一個統(tǒng)一的網(wǎng)絡(luò)中完成這兩個任務(wù)，這兩類方法均是基于視覺的目標(biāo)跟蹤的主流方法。

提升目標(biāo)跟蹤的推測速率是近年來一個熱門的研究方向。毛昭勇等[7]通過將原有的耗時主干網(wǎng)絡(luò)替換為輕量級EfficientNet網(wǎng)絡(luò)，不僅加快了推理速度，還通過小目標(biāo)檢測的網(wǎng)絡(luò)設(shè)計，縮短了推理時間并提升了效率。這一改進使得YOLOv3在處理速度和檢測準(zhǔn)確度上都得到了顯著提高，特別是在小目標(biāo)檢測方面表現(xiàn)更加優(yōu)異。武明虎等[8]結(jié)合SORT算法，在完善YO?LOv3的損失函數(shù)和網(wǎng)絡(luò)結(jié)構(gòu)后，其目標(biāo)檢測可以實現(xiàn)最快14.39 fps 的追蹤速度。Zuraimi 等[9]驗證了YO?LOv3不如YOLOv4網(wǎng)絡(luò)，采用YOLOv4作為目標(biāo)檢測網(wǎng)絡(luò)的DeepSort整體上達到了14.12 fps的追蹤速度。

自YOLO算法推出以來，其多個版本在目標(biāo)檢測與追蹤領(lǐng)域都有著廣泛應(yīng)用。趙桂平等[10]在YOLOv5 的框架基礎(chǔ)上改良了生成目標(biāo)邊界框的過程，從而提升了檢測的準(zhǔn)確度。Wang等[11]在目標(biāo)檢測過程中采用了YOLOv5s網(wǎng)絡(luò)，而在單目標(biāo)跟蹤任務(wù)中則選用了SiamRPN算法。這兩種算法的結(jié)合使得綜合檢測速度達到了20.43 fps。

上述目標(biāo)檢測算法難以兼顧檢測的精確性和實時性；另外在車輛被遮擋和復(fù)雜路況等環(huán)境下，解決身份變換問題也是一大挑戰(zhàn)。基于以上情況，本文改進了YOLOv5和DeepSort算法。模型通過增加注意力模塊CBAM來增強特征提取能力，使得模型能夠更加關(guān)注關(guān)鍵特征，并快速分析復(fù)雜場景中的信息。同時，采用SIoU Loss損失函數(shù)改進邊界框定位精度，提升了模型訓(xùn)練時的收斂速度和推理時的準(zhǔn)確性。此外，通過應(yīng)用擴展卡爾曼濾波器改進目標(biāo)跟蹤算法，有效避免了因遮擋引起的車輛身份變換問題。