轻量级车辆行人检测模型研究及Android部署

针对目标检测模型参数量大,难以部署在移动端设备的问题,提出了一种轻量化车辆行人检测模型YOLOv8-TI(traffic information)。设计全新的轻量级参数共享SPG Detect检测头以降低模型的参数量和计算量;提出全局平衡通道路径聚合网络(GBC-PAN)结构,平衡网络通道数量,通过跨尺度的加权链接,实现了自顶向下和自底向上的双向特征融合;此外,引入动态非单调聚焦机制的损失函数(Wise Loss)代替原损失函数以提升预测框精度。实验结果发现,提出的目标检测模型YOLOv8-TI在保持较高精度的同时,参数量、计算量和模型体积分别为YOLOv8n的52.1%、58.0%和54%。通过与其他轻量级目标检测模型对比,验证了该方法的有效性和卓越性。将YOLOv8-TI进行Android移动端部署,在荣耀20和荣耀80 GT上进行了测试,FPS可达24帧和31帧,满足实时性需求,有望进一步集成在自动驾驶汽车上完成交通信息检测功能。

基于DeepSORT算法的前方道路车辆跟踪研究

针对部分遮挡、目标漏检等导致的车辆ID频繁切换以及跟踪精度低的问题,本文提出了一种优化DeepSORT跟踪器的方法。一方面设计了S2Net36重识别网络:首先加深重识别网络构建ResNet36网络,提取更深层次的车辆外观特征;其次构建SER模块提取目标关键特征以及构建SE-Res2Net模块提取目标区域特征;最后基于ResNet36网络分别融合SER模块与SE-Res2Net模块得到S2Net36重识别网络。另一方面,引入三元组损失函数拉近相同目标不同样本之间的特征距离,通过提取更具有辨别力的车辆外观特征用于数据关联,进而提升对前方道路车辆的跟踪能力。实验结果表明,相比于DeepSORT原始算法,改进的算法的MOTA提高了1.18%,IDF1提升了0.80%,提高了对前方道路车辆的跟踪精度与稳定性,有望为自动驾驶车辆提供技术支持。