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。

应对遮挡问题对DeepSORT进行轨迹拟合优化

检测跟踪范式是多目标跟踪的主要研究方向,也是自动驾驶汽车的主要应用框架。完善的检测跟踪范式可以在提高多目标跟踪精度的同时有效降低跟踪框的失真率。然而在现有的先进方法中,这种范式通常会遇到多目标重叠后的ID交换问题,严重影响跟踪精度和轨迹判断。为解决该问题,文中基于经典的DeepSORT算法提出改进方案。首先,在卡尔曼滤波器中添加跟踪框进行置信度的预测和更新,并按降序对更新后的置信度进行排列,在后续匹配中优先匹配预测置信度更高的跟踪目标;然后,比较预测置信度和检测置信度之间的差异,识别出置信度突变的目标,以进行跟踪轨迹的优化和剪枝;最后,使用余弦相似度和交并比(IoU)识别重叠目标,并对重叠目标中置信度最高的目标消失后的轨迹进行多项式轨迹拟合,以纠正错误的ID,完成精确匹配。实证分析结果表明,相比于目前多种先进算法,所提方法的ID交换次数为172,优于其他算法,验证了该算法的可行性和正确性。

基于改进YOLOv5+DeepSort算法的块状磨屑的识别与计数研究

传统块状磨屑的处理方式存在效率低、收集不及时等问题,为了实现块状磨屑的精准定位检测,需研究块状磨屑的识别及数量统计。文章在原始YOLOv5算法的基础上添加注意力机制后,进一步强化了块状磨屑的有效特征;用BiFPN结构代替YOLOv5原有PAN结构,加强了浅层特征的利用。添加大尺度检测层,可更加准确地定位小尺寸块状磨屑;选择EIoU作为目标框回归的损失函数,提高收敛速度。在此基础上,该研究采用DeepSort算法和虚拟检测线法实现块状磨屑的数量统计。利用轨道小车采集的数据进行块状磨屑的检测和计数试验。试验结果表明:较于原始YOLOv5算法,改进YOLOv5算法虽然检测速率有所下降,但是精确率提升了4%、召回率提升了7.5%、均值平均精度提升了9.7%,改善了小尺寸块状磨屑的检测效果。改进YOLOv5+DeepSort算法结合改进检测线在各场景下可较准确地实现对块状磨屑的计数。

一种基于YOLOv4的改进DeepSort目标跟踪算法

针对车辆检测在弱光照和有遮挡情况下出现的漏检问题,提出了一种基于YOLOv4的改进DeepSort目标跟踪算法。首先使用YOLOv4算法对输入图片进行特征提取,获得目标信息,然后采用卡尔曼滤波算法估计车辆的轨迹状态并进行状态更新,最后在级联匹配中运用匈牙利匹配算法对检测框和预测框进行匹配。对未成功匹配的轨迹和检测结果,用广义交并比(GIOU)关联匹配代替交并比(IOU)匹配,提高DeepSort跟踪算法的匹配性能。对比单一检测算法和加入跟踪算法后的车辆检测效果,结果表明,加入跟踪算法后的车辆模型漏检现象变少,检测效果得到提高,鲁棒性增强,且MOTA提高了7.55%,证明了改进方法的有效性。

基于CenterNet搭配优化DeepSORT算法的断奶仔猪目标跟踪方法研究

[目的]断奶仔猪是生猪养殖业中的重点关注对象,群养环境下的仔猪精准跟踪是分析仔猪个体行为、监测仔猪个体健康的基础。本文提出1种基于深度学习的断奶仔猪目标跟踪方法。[方法]利用基于中心点的CenterNet检测算法设计断奶仔猪目标检测模型,对DeepSORT算法的检测部分进行优化;训练优化跟踪过程中提取仔猪目标外观特征的模型,结合卡尔曼滤波和匈牙利匹配算法,改进重识别环节,实现具有深度关联度量的断奶仔猪目标实时检测与跟踪。[结果]算法测试结果表明,断奶仔猪目标检测模型的平均精度均值和召回率分别为99.0%和78.6%,多目标跟踪精度MOTA和MOTP指标分别为96.8%和81.8%。[结论]本文所提方法改善了因断奶仔猪外表高度相似性以及黏连遮挡情况导致跟踪困难的问题,可在群养环境中精准跟踪断奶仔猪个体,算法为后续仔猪个体行为分析研究提供技术支撑。

基于目标检测与特征匹配测距的输电线路防外破监测方法

本文基于双目摄像机,提出一种结合目标检测与特征匹配测距的输电线路外力破坏隐患检测方法,首先通过改进YOLOv4模型检测出图像中的隐患目标区域;再利用LoFTR模型对双目摄像机所拍摄左右图像中的隐患目标区域进行特征匹配,计算区域中若干特征匹配对的像素差均值对隐患目标进行测距。最终将隐患目标距离大于阈值的视为无关目标,排除误检,而对距离小于阈值的目标,则通过deepsort目标跟踪算法计算停留帧数,根据停留时长进行告警判读,实现自动化、高准确率、高实用性的输电线路防外破监测。

基于YOLOv3和DeepSort的车流量检测

针对传统多目标跟踪算法的检测跟踪精度低、鲁棒性差的缺点,基于经典的Tracking-By-Detection模式,提出一种基于YOLOv3和DeepSort的车流量检测方法,实现了车辆视频监控端到端的车流量视频的实时监测与跟踪计数。采用深度学习YOLOv3算法检测视频车辆目标,然后利用深度学习DeepSort算法对检测到的车辆进行实时跟踪计数。实验结果表明该方法应对快速移动的车辆和环境光照的影响时,对车流量的检测效果良好,平均精度达到94.7%,端到端的算法可行且有效,适用于对车辆视频的批处理。

基于优化DeepSort的前方车辆多目标跟踪

为了提升自动驾驶汽车对周边环境的感知能力,提出优化DeepSort的前方多车辆目标跟踪算法.采用Gaussian YOLO v3作为前端目标检测器,基于DarkNet-53骨干网络训练,获得专门针对车辆的检测器Gaussian YOLO v3-vehicle,使车辆检测准确率提升3%.为了克服传统预训练模型没有针对车辆类别的缺点,提出采用扩增后的VeRi数据集进行重识别预训练.提出结合中心损失函数与交叉熵损失函数的新损失函数,使网络提取的目标特征有更好的类内聚合以及类间分辨能力.试验部分采集不同环境的实际道路视频,采用CLEAR MOT评价指标进行性能评估.结果表明,与基准DeepSort YOLO v3相比,跟踪准确度提升1%,身份切换次数减少4%.

改进的DeepSORT发电厂人员跟踪算法

针对发电厂存在大型设备遮挡、跟踪算法易出现目标ID切换引起跟踪失败的问题,提出基于DeepSORT的改进算法.该算法采用YOLO v5s+DeepSORT实现目标跟踪,针对目标遮挡问题加入边缘撞线机制,设计遮挡补偿函数,缓解目标因遮挡转为删除态的问题.对目标特征保存提出基于置信度权重和关键帧的保存方法,优化特征库质量,提高算法的重识别能力.试验结果表明,改进后的跟踪算法IDS平均下降40.4%、IDF1平均提高16.1%、MOTA平均提高11.6%,MOTP平均提高2.1%,遮挡发生时ID切换次数明显减少,提高了跟踪系统的抗遮挡能力.

基于YOLOv5及DeepSort的道路目标追踪改进算法

面对复杂的道路环境,提出一种基于YOLOv5及DeepSort的道路环境目标追踪优化算法模型。基于YOLOv5进行道路环境目标的识别,使用MobileNetV3网络中的基本结构对DeepSort算法中的重识别网络和YOLOv5中的主干网络进行替换,以起到压缩模型,加快检测速度的效果。在损失函数上,文章采取CIoU和GIoU相结合的方法对原有损失函数进行改造,弥补了GIoU在一些情况下退化成IoU的缺陷。实验结果表明,优化后的网络在模型权重大小下降的同时目标追踪准确度和精度均提升,可以更好达到持续追踪效果。

基于YOLOv5目标识别无线抓拍追踪声音报警系统

文章基于YOLOv5目标检测环境的计算机终端,通过配备无线路由器的无线摄像头实现对行人的实时检测,通过deepsort算法对目标行人的方向进行计数,并对其进行跟踪。当目标计算机终端绘制的特定区域出现识别目标时,实现机器视觉语音自动报警,此外,该系统可以抓拍所识别的目标行人的照片。文章内容对研究人员入门机器视觉以及开发视觉相关应用产品具有一定的指导价值。

林区视频监控下车流量分类统计

针对林区环境中通过监控视频统计车流量的传统方法提取车辆特征困难、无法分类统计等问题,提出了一种基于YOLOv5结合DeepSORT的车流量分类统计方法。该方法使用目标检测算法YOLOv5作为检测器对车辆进行分类检测,为了提升实际场景中的车辆检测效果,在算法中融入CBAM注意力机制增强检测器对车辆的特征提取能力,同时将NMS改进为DIoU-NMS,解决了因车辆相互遮挡导致的漏检问题。使用目标跟踪算法DeepSORT对检测到的车辆进行跟踪,为了减少车辆身份切换现象,将重识别网络在车辆重识别数据集上重新训练。最后通过在视频中设置虚拟线的方法对跟踪到的车辆进行统计。将该方法在实际场景中进行效果验证,实验结果表明,总体车流量统计准确率较改进前提升10.1%,汽车、货车、客车的车流量统计准确率分别为91.8%,94.6%,93.8%。

基于改进YOLOv5s的轻量化车流量检测算法

由于小型嵌入式设备计算资源有限,很多算法无法在车流量检测中运行完成.针对此问题,提出了一种改进YOLOv5s的轻量化车流量检测算法,以满足模型对硬件的计算能力需求.该算法通过使用轻量化特征提取网络ShuffleNetV2代替YOLOv5s原主干网络,减小模型的计算复杂度;融入注意力机制模块以增强网络对车流量的表示,提高其检测精度;通过使用数据增强策略,扩增训练样本,提升模型的鲁棒性.采用改进YOLOv5s算法检测视频车辆目标,结合DeepSort跟踪完成车流量检测,在UA-DETRAC车流量检测数据集上进行了实验.结果表明:所提出的轻量级车流量检测网络在Jetson TX2上的检测准确率为94.96%,检测速度达到15帧/s,实现车流量的实时检测,模型参数量少,满足嵌入式设备的限制.

车载手部小目标运动跟踪算法研究

随着汽车座舱的发展,通过对车内乘客手部进行运动跟踪,实现与车内灯具交互的应用成为了市场热点需求。但手部小目标易漏检的问题会造成目标缺失与跟踪不连续。提出一种车载手部小目标运动跟踪算法。首先,改进了YOLOv4-Tiny目标检测算法,通过将特征融合层的浅层特征进行多次卷积和下采样,并与深层特征拼接,使深层获得更多的细节特征信息;然后,将检测结果传入DeepSORT算法进行多目标跟踪,实现对手部的运动跟踪。在嵌入式平台实验结果表明:改进后YOLOv4-Tiny算法的召回率提升9.05%;本文算法相比传统算法,多目标跟踪准确度(MOTA)提升17%,精度(MOTP)提升15%,同时具有较高的实时性。

面向校园复杂环境的无人车前方多目标跟踪算法研究

针对无人车使用传统多目标跟踪算法在复杂的校园场景中跟踪效果不好、实时性差等问题,提出了一种面向校园复杂环境的无人车前方多目标跟踪算法。首先,基于YOLOv4-tiny目标检测算法设计检测器,增加算法的检测层以提高小目标检测精度;随后在筛选出的数据集上进行模型训练和试验,试验结果表明,改进后检测器的检测精度AP提高了5.4%,运行速率FPS达到114.3 f/s。其次,在获取检测框后,以检测结果为输入,使用无迹卡尔曼滤波器预测目标轨迹,解决卡尔曼滤波在目标非线性状态下鲁棒性差的问题。然后,将预测得到的新轨迹通过匈牙利算法和当前检测视频帧数进行匹配,并使用IOU匹配算法对匹配不成功的轨迹和检测结果进行关联匹配。最后,进行无迹卡尔曼滤波更新。无人车校园跟踪试验表明,与原DeepSORT算法相比,改进跟踪算法的多目标跟踪准确度MOTA提升数值为4.1%,多目标跟踪精度MOTP提升数值为3.4%,FPS提升了33.8 f/s,有效提高了无人车的安全性。

基于深度学习的行人跟踪摄像头系统设计

针对目前视频监控系统中由于摄像头固定产生的视觉死角问题,设计了一种基于Yolov5与Deepsort算法的行人自动跟踪摄像头系统。该系统主要由图像采集模块、图像处理模块、控制模块、舵机云台模块等构成。首先由图像采集模块实时拍摄画面信息,然后图像处理模块通过Yolov5算法检测行人,Deepsort算法对行人进行跟踪得到像素偏差值,PID控制算法根据像素偏差值计算出偏差角度,通过串口通信传给控制模块控制舵机云台,使摄像头实时跟踪行人。实验结果表明,行人跟踪结果稳定,实时跟踪效果较好,减少了视觉死角。

基于行人重识别技术的智能寻人系统研究

本文基于Yolov5、Deepsort算法、FastReID工具箱进行智能寻人软件系统研究,首先利用Yolov5目标检测输入的视频,提取当前帧的行人图像,运用Deepsort算法进行跟踪;然后运用FastReID算法将搜寻目标与检测的行人图像进行特征提取、相似度度量,最终实现对搜寻对象的重识别。实验结果表明,该方法在满足实时性要求的同时,提高了运行速度及匹配精度,可应用于寻找走失的儿童及老人。

基于深度学习的高速公路交通事件检测研究

鉴于传统交通事件检测方法的准确率和实时性无法满足多变的高速公路视频监控检测需求的问题,因此提出使用深度学习的交通事件检测方法。为了提高对高速公路远处小目标车辆检测率,选取并融合多种尺度的特征图进行预测来提升算法检测能力,将改进后的深度目标检测网络YOLOv4与目标跟踪算法DeepSORT相结合,考虑满足实际高速公路下交通事件检测实时性的要求,重新定义了DeepSORT外观模型对基于DeepSORT多目标跟踪算法中的表观特征提取方式改进为方向梯度直方图(HOG)特征提取方式,通过目标轨迹特征对视频中出现的行人和车辆逆行交通异常情况的判别。由于高速公路车辆检测作为专业领域的图像目标检测,目前没有开源的数据集,因此通过收集不同场景、环境下的高速公路视频监控,对视频流进行处理,并自行筛选建立对应格式下的车辆数据集。实验结果表明,在保证检测效果的前提下,将检测速度由原来的16提升至20 fps,在提高检测时间的前提下将漏检率降低了9%,因此该方法具有较高的判别精度和检测效率。