基于模型压缩算法改进YOLOv4-tiny模型的车辆检测技术研究

基于卷积神经网络参数冗余较大的问题,提出一种基于模型压缩算法改进YOLOv4-tiny的车辆检测方法,以提高检测速度。首先,通过特征图矩阵的秩判断通道对网络模型的重要程度,对模型的通道剪枝,减少模型的参数数量;其次,对局部样本点进行采样提取,使用知识蒸馏算法,使模型的精度得到回升。实验结果表明,改进后的YOLOv4-tiny网络模型检测精度仅损失2.9%的情况下,模型参数减少了51.1%;部署在Jeston Nano设备上运行,每秒帧率FPS提升了93.7%。

基于改进CenterTrack的多目标跟踪算法

相较于传统的两阶段多目标跟踪算法,基于锚点的多目标跟踪算法CenterTrack通过在单一网络下同时完成检测与跟踪,保证较高跟踪精确度,同时又具有更快的推理速度,适合行人多目标的实时跟踪,但面对行人数量密集或者遮挡严重情况难以准确检测行人位置。为解决该问题,提出基于改进CenterTrack的多目标跟踪算法,在骨干网络中加入注意力机制以提高特征图的检测精度;设计了强化检测的跟踪算法,完成多目标跟踪的同时增强下一帧的检测效果,从而提高跟踪的精确度;通过使用数据增强方法处理过的数据集进行训练,算法的泛化能力得到提高。在MOT17数据集上的验证实验结果表明:与原算法相比,本文改进算法具有更高的跟踪精确度和正确检测比。