基于Transformer改进的YOLOv5+DeepSORT的车辆跟踪算法

针对传统目标检测跟踪算法检测精度低、全局感知能力差、对遮挡和小目标物体的识别能力差等问题,提出了一种基于轻量化Transformer改进的YOLOv5和DeepSORT算法的车辆跟踪方法。首先,利用EfficientFormerV2模型改进YOLOv5算法模型,增强车辆的目标检测能力;然后,利用移位窗口(Swin)模型的优点改进DeepSORT多目标跟踪算法中的重识别(Re-Identification)模块,提高车辆的跟踪能力和精度;最后,通过数据集KITTI和VeRi开展对比试验和消融实验。结果表明,在复杂工况下,该方法的性能在车辆遮挡和小目标识别方面显著提高,平均准确度达到96.7%,目标跟踪准确度提高了9.547%,编号(ID)切换总次数减少了26.4%。

基于DeepSORT和改进YOLOv5的煤矿井下钻杆计数方法

针对煤矿井下钻杆计数存在精度较差、效率较低等问题,提出一种基于DeepSORT和改进YOLOv5的煤矿井下钻杆计数方法。首先,设计DR-C3模块,提高YOLOv5网络提取特征的能力;其次,引入GAM注意力机制,减少复杂背景的干扰;然后,通过CARAFE上采样算子扩大感受野;最后,结合DeepSORT算法对钻杆进行实时追踪计数。实验结果表明,改进后的YOLOv5 mAP@0.5提升了2.8%;钻杆计数平均精度达99.4%,检测速度达到93帧/s,计数精度高,满足实际需求。

基于改进YOLO v7和DeepSORT的罐笼人员跟踪计数方法

煤矿副井罐笼载人时,超载现象时有发生,给副井运输安全带来了隐患。针对该问题,提出了基于改进YOLO v7和DeepSORT的罐笼人员跟踪计数方法。首先利用煤矿副井罐笼区域的监控摄像头采集的视频制作罐笼行人数据集,再利用改进的YOLO v7对罐笼人员进行识别:基于GhostNet网络改进YOLO v7以提升模型的实时性;通过引入ACmix注意力机制提升模型对副井复杂背景人员的感知能力,并基于SIoU损失函数进一步增强模型的鲁棒性;最后利用优化后的DeepSORT算法对罐笼人员进行跟踪计数:基于CIOU优化DeepSORT算法的匹配准确度,使目标追踪更加稳定。试验结果表明:在构建的CP dataset数据集上,改进后的YOLO v7网络的均值平均精度mAP达到了97.4%,算法的跟踪准确性MOTA和跟踪精度MOTP分别达到了95.74%和94.26%。

改进YOLOv8s与DeepSORT的矿工帽带检测及人员跟踪

不系帽带,安全帽等于没戴。然而现有的安全帽检测方法,缺乏对帽带异常佩戴的检测研究。针对此问题,结合煤矿井下特殊的作业环境,以人员安全帽帽带检测及人员跟踪为研究对象,提出了CM-YOLOv8s算法检测安全帽及其帽带,利用DeepSORT算法对未系帽带的作业人员进行跟踪。利用井下监控视频制作数据集,使用CM-YOLOv8s对井下人员安全帽帽带进行检测:在YOLOv8s的基础上引入更高分辨率的特征图并新增了一种级联查询机制,在不提高计算成本的前提下能完成对小物体更精准的检测。利用改进DeepSORT对人员进行编码追踪:采用更深层卷积替换DeepSORT中小型残差网络来强化外观信息提取能力。通过自制井下安全帽帽带检测及跟踪数据集对改进算法进行验证,实验结果表明:CM-YOLOv8s的安全帽帽带识别算法平均精度均值达到92.3%,较YOLOv8s提高4.2个百分点。此外,基于CM-YOLOv8s与DeepSORT的安全帽规范佩戴识别系统的平均准确率为85.37%,检测速度达到59 FPS。提出的安全帽帽带检测算法,通过检测帽带是否在人员下颚附近来鉴别安全帽是否规范佩戴,能较好地平衡检测速度与精度,并能适应复杂的井下环境。通过在陈四楼煤矿数月的应用表明,实现了对安全帽佩戴异常的监测预警,加强了对矿工规范佩戴安全帽的有效监管。

基于YOLOv8和DeepSort的多区域行人追踪算法研究

针对多摄像头重叠场景中行人追踪容易发生身份丢失、切换的问题,本文提出了一种基于YOLOv8和DeepSort的多摄像头跟踪算法.在检测阶段,利用无参注意力机制增强网络对行人特征的提取能力,提高了检测器的性能.在追踪阶段,通过提取两个摄像头的视角关键点,并计算出两个视角的单应性矩阵,实现了不同视角图像的拼接.通过利用目标间的单应性关系,在DeepSort算法中完成目标匹配.并在MOT15数据集中,对所改进的算法进行了测试.实验结果表明,本文提出的基于YOLOv8和DeepSort的改进算法的平均跟踪精确度为63.5%,比原始算法提升了3.4%.改进算法在行人身份切换次数方面减少了52次,比原始算法减少了6.5%.

基于改进YOLOv5算法和DeepSort算法的多目标检测和跟踪

针对因受水面波纹、反光及目标外观特征相似而导致的游泳池中目标检测跟踪困难的问题,提出一种基于改进YOLOv5算法和DeepSort算法的多目标检测和跟踪方法;通过引入注意力机制改进YOLOv5算法,增强算法对目标特征的提取能力;将检测结果输入到DeepSort算法中,在级联匹配中引入K邻域限制筛选目标检测框,减少因目标外观特征不明显引起的身份切换问题;利用匈牙利算法对检测框和预测框进行匹配,对未匹配成功的检测框采用距离交并比代替交并比进行二次匹配,提高DeepSort算法的跟踪性能;通过对比实验和消融实验验证所提出的多目标检测跟踪算法的性能。结果表明:改进的YOLOv5算法平均精准度提高2%,结合DeepSort算法跟踪检测,身份切换平均减少58次,多目标跟踪精确率为80.26%,比原始YOLOv5算法和Deepsort算法跟踪准确率提升了3.85%。

基于YOLO v5+DeepSORT算法的羊群游走同步群体决策行为研究

随着畜牧养殖智能化监控技术的产业化应用,进一步提升畜禽养殖的分类施策精细化管理,成为现代畜牧业精细高效养殖管理的新需求。采用固定机位、多角度视频采集技术,实时记录羊群牧食过程中的游走行为;针对羊群游走视频中易出现遮挡的复杂情况,设计了基于YOLO v5模型的羊群多目标检测模型,羊群游走过程中的多目标实时跟踪识别率可达90.63%;采用羊群游走多目标轨迹跟踪DeepSORT算法,通过提取羊目标的深度表观特征,计算出羊群游走轨迹和变化节拍规律。结果表明,羊的游走过程通常为慢走、快走和疾走3种方式,单只羊的游走过程通常是不固定的随机组合。在中大规模羊群中,由于亲缘关系结构的复杂性,羊群往往分化为多个小群体,这使得从整体上观察和分析羊群行为变得异常困难。为此,聚焦于小规模羊群进行研究,通过羊群散列、聚集和同步3个游走过程分析,初步验证了羊群游走节拍周期上的同步现象。

基于改进YOLOv5s和DeepSORT的行人跟踪算法

为提高DeepSORT目标检测器YOLOv5s算法的检测精度,本文将注意力机制CBAM融入到YOLOv5s网络结构中,改进双向特征融合网络BiFPN,使用EIoU作为边界框损失函数。基于VOC 2007行人数据集的测试结果表明本文算法的精确率、召回率和平均精度相比于原算法分别提高0.3、1.0和0.3个百分点;在MOT17数据集上的测试结果表明本文算法的MOTA、IDF1、MT、IDR分别提升1.8个百分点、2.9个百分点和1、2.7,FN与ML分别降低了4373和11。测试结果验证了改进YOLOv5s作为检测器能够有效提升算法的跟踪精度。

基于改进YOLOv8n+DeepSORT的带式输送机异物检测及计数方法

现有带式输送机异物检测方法存在提取目标语义信息能力弱、检测精度差等问题,且仅对异物进行识别检测,不能准确计算异物数量。针对该问题,设计了一种基于改进YOLOv8n+DeepSORT的带式输送机异物检测及计数方法。对YOLOv8n模型进行改进,再使用改进YOLOv8n(MSF−YOLOv8n)模型对带式输送机异物进行识别;将MSF−YOLOv8n模型的异物检测结果作为DeepSORT算法的输入,实现带式输送机异物跟踪和计数。YOLOv8n改进方法:使用C2f_MLCA模块替换主干网络中的C2f模块,提高网络在颜色信息单一环境下的信息提取能力;使用分离和增强注意力模块(SEAM)改进Head部分,以提高异物被遮挡情况下的检测精度;采用Focaler−IoU优化损失函数,解决检测目标形状差异大的问题。MSF−YOLOv8n模型性能验证实验结果表明,MSF−YOLOv8n模型的mAP50达93.2%,相较于基础模型提高了2.1%;参数量仅为2.82×10^(6),比基础模型少了0.19×10^(6),更适合部署到巡检机器人等边缘设备中;检测精度比YOLOv5s,YOLOv7,YOLOv8s算法分别高2.2%,1.3%,0.3%;其帧率虽然比YOLOv8s和YOLOv8n低,但仍可满足视频实时性检测要求。异物检测及计数实验结果表明,DeepSORT算法的准确率达80%,可准确跟踪被遮挡的锚杆及形状差异较大的目标。

改进YOLOv5与DeepSort的车辆目标检测跟踪算法

针对当前目标车辆因遮挡、天气等因素造成的漏检,以及跟踪过程中车辆身份丢失和变换等现象,本文提出了一种改进的YOLOv5与DeepSort车辆检测跟踪算法。在车辆目标检测部分,本文在YOLOv5网络中添加了注意力模块CBAM,以更有效地提取目标特征;同时,引入了SIoU作为边界框损失函数,不仅提升了边界框定位的准确性,也加快了边界框的回归速度。在车辆跟踪部分,改进了DeepSort算法,使用扩展卡尔曼滤波器预测非线性环境下的车辆位置,并且使用匈牙利算法将预测轨迹和检测轨迹进行最优匹配,从而在复杂环境下优化由车辆相互覆盖引起的漏检问题。最终,通过改进后的YOLOv5与DeepSort算法进行检测和跟踪,并使用UA-DETRAC数据集进行验证。实验结果表明:改进后的YOLOv5用于目标追踪算法后,平均精确度较原算法提高了4%;结合改进后的DeepSort追踪算法,平均精确度提高至63.6%,比原算法提高了3.6%;车辆目标身份转换的次数比原算法减少了53次,降低了6.6%。改进后的算法模型在追踪精确度和实时性上均表现良好。

一种基于DeepSORT的逆透视车流量检测方法

针对日渐复杂的交通情况,道路上需要检测的目标数量越来越多、类型越来越复杂这一问题,提出一种基于DeepSORT的改进算法用于目标跟踪及其速度与距离的估算,即在原算法中加入逆透视算法用于完成对目标速度及距离的估算。该方法主要包括特征提取、相似度计算、关联阶段、预测位置和轨迹匹配等步骤。本文的研究结果可以为多目标跟踪提供有效的解决方案,并且可以有效地估算车辆的速度和距离。

改进YOLOv5s和DeepSORT的井下人员检测及跟踪算法

矿井移动目标的实时监测及跟踪系统是建设智慧矿山必不可少的内容,井下巡检机器人的出现可以实现对作业人员的实时监测,但是井下光照不均、煤尘干扰等因素的存在导致传统图像检测算法无法准确检测出作业人员。基于此提出一种可部署于井下巡检机器人的改进YOLOv5s和Deep-SORT的井下人员检测及跟踪算法。首先利用监控摄像头与巡检机器人所录视频制作数据集,然后使用改进YOLOv5s网络对井下人员进行识别:考虑到井下人员检测及跟踪算法包含复杂的网络结构和庞大的参数体量,限制了检测模型的响应速度,使用改进轻量化网络ShuffleNetV2替代原YOLOv5s主干网络CSP-Darknet53。同时,为减少图像中复杂背景的干扰,提升作业人员的关注度,将Transformer自注意力模块融入改进ShuffleNetV2。其次,为了使多尺度特征能够有效融合且使得推理信息能够有效传输,将Neck中FPN+PAN结构替换为BiFPN结构。接着利用改进DeepSORT对人员进行编码追踪:考虑到井下环境黑暗,照度低,无纹理性,DeepSORT难以有效提取到人员的外观信息,于是采用更深层卷积替换DeepSORT中小型残差网络来强化DeepSORT的外观信息提取能力。最后通过公开行人数据集及自建井下人员检测及跟踪数据集对本文改进算法进行验证,结果表明:改进的检测模型相比于原YOLOv5s模型平均检测精度提高了5.2%,参数量减少了41%,速度提升了21%;改进YOLOv5s-DeepSORT的井下人员跟踪方法精度达到了89.17%,速度达到了67FPS,可以有效部署于井下巡检机器人实现作业人员的实时检测及跟踪。

基于Micro-CT和改进DeepSORT的再生稻再生芽追踪计数与再生力评价

再生稻具有一种两收的优势,其再生力直接决定了水稻再生季产量,而水稻再生力与再生季再生芽的数量密切相关。传统人工水稻再生芽检测方法存在接触损伤、主观低效和重复性差等缺点,该研究提出了一种基于MicroCT(computed tomography)和改进的DeepSORT(simple online and realtime tracking)的再生芽多目标追踪计数和再生力评价方法。首先采用Micro-CT成像获取再生季水稻断层图视频流,然后利用YOLOv5s网络作为再生芽追踪检测器,最后通过改进的DeepSORT追踪算法实现水稻再生芽的精准追踪计数。其中DeepSORT改进包括优化再生芽追踪过程中的ID错误;增加再生芽目标追踪的匹配次数,改善ID跳变的问题;计算再生芽的高度信息,实现对再生芽中有效芽的判别。试验结果表明,在目标检测上,YOLOv5s对再生芽和茎秆的平均检测准确率分别为97.3%和99.1%,在再生芽多目标追踪上,改进的DeepSORT算法的多目标跟踪准确度为77.61%,高阶跟踪精度为61.73%,ID跳变为6,与改进之前相比,多目标跟踪准确度和高阶跟踪精度分别提升了1.5和8.5个百分点,ID跳变降低了94%。对8种不同处理共104盆水稻再生芽进行追踪计数,将系统测量值与人工测量值进行统计对比,结果证明本文方法测量的再生芽数量和人工观测值的决定系数为0.983,均方根误差为3.460,平均绝对百分比误差为5.647%,两者具有较高的回归性。研究基于有效再生芽和茎秆数量的比值得到水稻早期再生力,对2个水稻品种共38盆水稻的再生力和再生季实际产量进行相关分析得到决定系数分别为0.795和0.764。该研究为水稻再生芽无损检测和再生力早期评价提供了一种技术途径。

改进YOLOv5+DeepSort的行人跟踪算法

针对复杂环境道路行人跟踪易发生身份丢失、切换的问题,提出一种改进的YOLOv5检测并结合DeepSort跟踪算法。检测阶段,融合注意力模块CBAM与YOLOv5颈部网络增强对行人特征的提取;用SIoU边界框损失函数代替CIoU边界框损失函数,加速边界框回归的同时提高准确定位度。跟踪阶段,改进DeepSort利用拓展卡尔曼滤波器对非线性环境行人位置进行预测,通过匈牙利算法匹配预测和检测轨迹,优化复杂环境下行人身份切换频繁的问题。最后连接改进后的YOLOv5与DeepSort算法,对MOT⁃16数据集进行检测跟踪。实验结果表明:改进YOLOv5算法较原算法平均精准度提高4%,结合DeepSort跟踪,平均跟踪精确度为63.5%,比原始算法提升了3.4%;行人身份切换次数减少52次,比原始算法减少了6.5%。

基于DeepSORT的深基坑作业工序智能识别研究

为在深基坑施工时跟踪作业主体、识别施工进度,提出一种基于DeepSORT的作业工序智能识别方法。首先,采用DeepSORT模块,在分类动作之前赋予人员ID编号,丰富动作类别信息;其次,采用Yolov5实现人员目标检测;最后,利用迁移学习思想训练自定义数据集,避免样本量较少带来的过拟合问题。结果表明,该方法可以在一定程度上跟踪前后帧作业行为,反映施工进程,且各动作的识别准确率达到了90%,该研究结果可以较好地运用在深基坑作业工序的识别中,进一步提高施工监管效率。

基于DeepSort的动态车辆多目标跟踪方法研究

为了提高汽车对外界环境信息的感知能力和对动态车辆目标行为的预测能力,采用YOLOX作为前端检测器,结合优化的DeepSort跟踪算法开展动态车辆多目标跟踪方法研究。在车辆特征匹配过程中,提取Haar-like特征对车辆的明暗变化信息进行匹配,提高物体匹配精度;基于DeepSort重识别网络,采用改进的ResNet13作为特征提取的骨干网络,加入SENet调整不同通道维度的特征权重。使用实际道路驾驶采集的视频数据对改进算法与传统算法进行对比,结果表明:相较于传统DeepSort算法,改进算法的多目标跟踪精度(MOTA)提高了1.4百分点,平均数比率(IDF1)提升了7.7百分点。

基于DeepSORT算法的循环水养殖鱼池漂浮死鱼智能捞除技术研究

为解决工厂化循环水水产养殖过程中出现的少量鱼类死亡对养殖水体的污染问题,需要将鱼池中处于漂浮状态的死鱼及时捞除。提出一种基于DeepSORT改进算法的循环水养殖鱼池漂浮死鱼的智能捞除方法。步骤如下:首先,建立循环水养殖鱼池漂浮死鱼捞除系统,完成相机标定和机械臂手眼标定,实现目标死鱼与机械臂间的坐标转换;然后,采用更贴合目标死鱼轮廓的旋转检测算法对目标死鱼进行检测识别,并输出目标死鱼信息作为DeepSORT算法的输入项;再次,通过旋转外观特征和旋转IOU改进DeepSORT算法,获取更具有鲁棒性的目标死鱼信息,实现对目标死鱼的实时检测识别与跟踪;最后,采用ROS的话题通讯机制,将目标位置发送到机械臂控制系统,控制机械臂实现目标死鱼的智能捞除。结果显示:本算法下多目标跟踪准确率为79.6%,比YOLOv5-DeepSORT算法提高了22.6%;多目标跟踪精确度为68.4%,较YOLOv5-DeepSORT算法提高了4.9%;在进水和曝气正常的情况下,一次性捞除成功率达到77.14%。研究表明,该方法可有效实现对鱼池表面漂浮死鱼的智能捞除,并可为其他领域的移动物体智能抓取研究提供技术参考。

基于YOLOv5和DeepSORT的金刚石锯丝磨损监测

为提高金刚石线锯切割的效率和质量,满足实时监测锯丝磨损的需求,提出一种基于改进的YOLOv5检测算法,在YOLOv5的基础上融合坐标注意力机制和BiFPN模块,使检测精确度、召回率、平均精度均值分别提高1.7%、3.7%、3.2%,能够有效检测不同磨损程度的磨粒;再连接DeepSORT多目标跟踪算法,设置虚拟检测线,统计不同磨损程度的磨粒数量,进而监测金刚石锯丝的磨损情况。

基于改进YOLOv5+DeepSort算法模型的交叉路口车辆实时检测

针对传统目标检测跟踪算法检测精度低、鲁棒性差的缺点,以及交叉路口图像视频资源冗余的现象和车辆密集程度高的特点,提出了一种基于改进YOLOv5和DeepSort算法模型的交叉路口实时车流量检测方法,在MS COCO和BDD100k相结合的数据集上,采用改进的YOLOv5算法模型实现视频小目标车辆检测,利用深度学习多目标跟踪算法DeepSort对检测的车辆进行实时跟踪计数,实现了交叉路口监控端对端的实时车流量检测。通过分析比较不同参数的模型,最终选定了YOLOv5m模型。实验结果表明,该方法在复杂环境、车辆遮挡和目标密集程度高等环境下检测速度更加快,对车辆的检测效果更好,平均准确度达到96.6%。该方法完全满足目标实时性检测的要求,能充分满足交叉路口车辆检测的有效性,满足实际需要的使用需求。

改进YOLOX Tiny与DeepSort相结合的多目标跟踪算法

针对多目标跟踪时有发生误检、漏检等情况,提出了CSD YOLOX Tiny的多目标跟踪算法。在骨干网络中搭建结合三卷积的跨阶段局部Swin Transformer Block结构,提升网络模型对全局和上下文信息的捕获能力。在网络中引入组归一化,加快网络模型收敛速度并提升跟踪精度;采用坐标注意力机制对不同通道特征之间的相关信息进行有效整合,提升网络模型对感兴趣区域特征的获取能力。实验结果表明:提出的多目标跟踪算法跟踪精度提升了2.36%,达到56.38%。在保证网络模型参数量较少、计算量较小的情况下,提出的跟踪算法较好地改善误检和漏检问题,相比于YOLOX Tiny DeepSort算法误检、漏检数量分别减少了811、1574个,能满足常规设备实时高效的多目标跟踪任务需求。