针对室外街道的行人检测与跟踪,提出一种改进YOLOv3与简单在线实时跟踪(simple online and real-time tracking,SORT)算法相结合的检测及跟踪方法。首先,引入距离和比例交并比(distance and proportional-IOU,DPIOU)损失,将原有的损失...针对室外街道的行人检测与跟踪,提出一种改进YOLOv3与简单在线实时跟踪(simple online and real-time tracking,SORT)算法相结合的检测及跟踪方法。首先,引入距离和比例交并比(distance and proportional-IOU,DPIOU)损失,将原有的损失函数中的均方误差(mean square error,MSE)部分进行变化,从而得到更精确的检测框;其次,将网络结构中的RestNet进行优化,改变下采样区域,增加池化层,进而减少特征信息的丢失;最后将检测结果输入SORT算法进行建模和匹配。实验结果表明,在室外街道的场景下,改进的算法与YOLOv3相比较,损失值收敛更快,平均准确率高出4.85%,跟踪准确率上升3.4%,同时,模型的速度有所提高,最快可达14.39 FPS。展开更多
在大多数国省道路场景下,基于计算机视觉的交调方式都面临着车型划分精细、道路交通参与者类型繁杂、噪声干扰多等,导致车型流量占比计算困难的问题。为此,本文提出了一种基于细粒度目标检测与跟踪的九型车识别框架,引入基于无锚框和密...在大多数国省道路场景下,基于计算机视觉的交调方式都面临着车型划分精细、道路交通参与者类型繁杂、噪声干扰多等,导致车型流量占比计算困难的问题。为此,本文提出了一种基于细粒度目标检测与跟踪的九型车识别框架,引入基于无锚框和密集特征采样的实时目标检测器(real-time models for object detection,RTMDet)作为检测模块来执行高效、精准的九型车检测任务;同时设计了一种具有任务针对性的感兴趣区域(region of interest,ROI)噪声抑制模块,用于过滤背景噪声和路面无效车辆。通过进一步与深度简单在线和实时跟踪(deep simple online and realtime tracking,DeepSort)框架集成,本文在检测和跟踪精度方面相较于主流方法都得到了提升,可以为二级交调任务提供精准、细粒度的道路流量信息。展开更多
文摘针对室外街道的行人检测与跟踪,提出一种改进YOLOv3与简单在线实时跟踪(simple online and real-time tracking,SORT)算法相结合的检测及跟踪方法。首先,引入距离和比例交并比(distance and proportional-IOU,DPIOU)损失,将原有的损失函数中的均方误差(mean square error,MSE)部分进行变化,从而得到更精确的检测框;其次,将网络结构中的RestNet进行优化,改变下采样区域,增加池化层,进而减少特征信息的丢失;最后将检测结果输入SORT算法进行建模和匹配。实验结果表明,在室外街道的场景下,改进的算法与YOLOv3相比较,损失值收敛更快,平均准确率高出4.85%,跟踪准确率上升3.4%,同时,模型的速度有所提高,最快可达14.39 FPS。
文摘在大多数国省道路场景下,基于计算机视觉的交调方式都面临着车型划分精细、道路交通参与者类型繁杂、噪声干扰多等,导致车型流量占比计算困难的问题。为此,本文提出了一种基于细粒度目标检测与跟踪的九型车识别框架,引入基于无锚框和密集特征采样的实时目标检测器(real-time models for object detection,RTMDet)作为检测模块来执行高效、精准的九型车检测任务;同时设计了一种具有任务针对性的感兴趣区域(region of interest,ROI)噪声抑制模块,用于过滤背景噪声和路面无效车辆。通过进一步与深度简单在线和实时跟踪(deep simple online and realtime tracking,DeepSort)框架集成,本文在检测和跟踪精度方面相较于主流方法都得到了提升,可以为二级交调任务提供精准、细粒度的道路流量信息。
