复杂矿山环境下作业车辆的实时检测与跟踪

针对复杂矿山环境下作业车辆与背景图像相似而检测效果差、多类型车辆跟踪稳定性低等问题,文章提出了一种多类别、多目标的复杂矿山环境下作业车辆实时检测与跟踪算法。其基于轻量级骨干网络YOLO并结合多尺度特征融合模块构建模型框架,该模型以DIoU为损失函数,采用K-means聚类回归候选框尺寸,通过轻量级骨干网络学习图像特征,输出多尺度预测结果。在此基础上,将多类别作业车辆目标的特征作为相似性度量,结合表征运动信息的马氏距离度量和余弦度量进行级联匹配,并串联IoU匹配和卡尔曼滤波来确认轨迹,从而实现多作业车辆实时跟踪。实验结果显示,该算法的车辆检测平均准确率mAP@0.5-0.95为58.40%,多目标跟踪精度达到82.60%,每帧图像处理时间为26.5 ms,表明采用该算法能够有效进行作业车辆的实时检测与跟踪。