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。

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。

跟踪算法下的果树修剪机器人路径规划设计

以果树修剪机器人为研究对象,基于轨迹跟踪算法对修剪机器人进行作业路径规划,并分别与传统的往复式路径规划算法和跟踪算法进行仿真对比实验分析。分析结果表明:与传统往复式路径规划算法相比,修剪机器人作业过程中漏剪率降低3%,重复率降低2.5%;与传统跟踪式路径规划算法相比,修剪机器人作业过程转角范围增大36°,横向轨迹误差降低600mm。

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。

局部阴影下基于GWO-P&O混合算法的光伏最大功率点跟踪

针对局部遮阴环境下传统灰狼优化(Gray wolf optimization,GWO)算法在跟踪最大功率点时P-U特性曲线出现多峰值、后期收敛速度慢、稳态精度低等问题,结合灰狼优化算法和扰动观察法(Perturbation and observation,P&O)各自的优势,提出了基于GWO-P&O的混合优化最大功率点跟踪(Maximum power point tracking,MPPT)算法。首先,采用灰狼优化算法逐渐向光伏的全局最大功率点靠近。其次,在灰狼优化算法收敛后期引入P&O法,既保持了灰狼优化算法较高的稳态精度,又能以较快速度寻找到局部最大功率点。最后,在不同环境工况下,将所提出的GWO-P&O方法与传统GWO算法进行对比。结果表明,改进的GWO-P&O算法在保证良好稳态性能的同时,一定程度上提高了GWO算法后期跟踪最大功率时的收敛速度。

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%。

基于广义互相关时延估计(TDOA)算法的声源定位跟踪系统设计与实现

为实现在二维平面内对声源进行实时定位和动态跟踪,运用时延估计(TDOA)互相关算法设计一种原声监听头阵列的CC-TDOA声源定位跟踪系统,实现对多个原声监听头进行同步采样,再进行信号放大及运算处理,运用LCD屏实时显示目标声源的距离和方位角度,同时运用二维云台控制激光笔对准声源,并持续动态跟踪声源。模拟仿真及真实环境实验测试表明,采用基于到达时间差的互相关定位算法,计算量小,精度较高,测试角度误差小于2o,距离误差小于1.2%,可以满足多种智能应用场合中声源实时定位与跟踪的要求。

Mean Shift跟踪算法创新实验项目设计

视频跟踪算法是计算机视觉实践课程中比较受关注的实验项目。针对突变情况下传统Mean Shift跟踪算法无法实时准确跟踪的问题,设计了基于模板更新和线性预估的Mean Shift跟踪算法创新实验项目。在模板更新策略下,引入背景模板,通过将原目标模板和背景模板与设定的阈值进行比较来对干扰因素进行判定,当干扰因素判定目标受到遮挡时,引入线性预估方程进行目标位置预测,有效解决目标在遮挡情况下跟踪丢失的问题。通过对测试视频的跟踪效果和性能进行对比分析,验证了算法在突变情况下相较于传统算法具有更好的抗干扰能力。以算法创新设计为核心,通过开放性创新实验项目的选题、设计、答辩、反馈的闭环实验过程,有效提高了学生算法创新设计能力。

基于改进RSSI测距的WSN机动目标跟踪算法

针对扩展卡尔曼滤波(EKF)在机动目标跟踪中传感器对机动目标进行测距时存在的噪声问题,提出了一种基于改进RSSI测距的WSN机动目标跟踪算法。首先,利用鱼鹰优化算法迭代寻优适合BP神经网络的权值和阈值;其次,将传感器的接收信号强度值作为神经网络的输入值,距离作为输出值对神经网络进行训练;最后,利用扩展卡尔曼滤波算法进行定位跟踪,利用匀速圆周运动模型(CM)进行滤波跟踪。使用EKF算法和RSSI算法与文中算法进行比较,以均方根误差为评价指标。经过仿真实验对比表明,所提算法相较于上述算法均方根误差分别降低了21%和56%。

基于人工鱼群算法的篮球跳投轨迹实时跟踪

篮球运动轨迹跟踪方法由于轨迹特征提取效果差,导致跟踪误差高,提出一种基于人工鱼群算法的篮球跳投轨迹实时跟踪方法。提取三维坐标系下图像中篮球边缘轮廓信息,通过滤波函数消除篮球跳投图像噪声,基于人工鱼群算法提取图像中篮球跳投轨迹特征,寻找篮球运动轨迹的最优解集,改进篮球实时跟踪匹配路径,形成轨迹跟踪函数。实验结果可知,该方法的平均轨迹跟踪误差为18.28mm,与常规方法相比降低了6.22mm以上。因此,该跟踪方法的篮球轨迹跟踪精度更高,并且实时跟踪轨迹与真实轨迹更吻合。

组合八邻域跟踪算法监测全闪电雷暴活动时空演变过程及特征

雷暴是威胁电力系统安全可靠运行的重要因素,监测雷暴活动可以为电力系统雷电防护提供雷暴活动路径及预警信息。该文提出一种组合八邻域雷暴跟踪算法及跟踪结果评估指标,并采用该算法对珠三角地区九次雷暴活动进行时空演变特征分析和定量评估。结果表明,九个雷暴活动共识别出大于18 min的轨迹1490条,其中简单轨迹和含分裂合并过程的复杂轨迹各占一半。雷暴活动平均速度为51.4 km/h,速度中值为43.0 km/h,简单轨迹平均速度比复杂轨迹慢。评估指标命中率(POD)、虚假警报率(FAR)和临界成功指数(CSI)分别为64.3%、40.4%和42.7%,轨迹时长中值、平均轨迹偏差、非连贯性和平均合并分裂次数分别为24 min、2.80 km、0.0327 s^(-1)和2.51次。该方法可以很好地描述雷暴活动时空演变过程和评估跟踪结果,为雷电预警提供了有效手段。

基于YOLO目标检测算法的人群多目标识别跟踪方法

目前对人群跟踪方法主要是建立跟踪模型,实现人群群体检查和跟踪,但是无法实现人群中多行人的识别和个体跟踪,造成人群跟踪与多目标识别存在效率低下和不准确。本文提出基于YOLO目标检测算法的人群多目标识别跟踪方法,通过对人群多目标的可见特征提取人群的行人轨迹和外观特征,实现人群多目标识别的跟踪。实验结果表明,该方法提高了人群多目标的识别效率,具有一定的实用性。

基于自适应ST算法的机器人轨迹跟踪研究

为实现更精确地机器人轨迹跟踪控制,提高系统的抗干扰能力,研究提出基于自适应搜索和追踪算法的机器人轨迹跟踪方法,先建立机器人模型和跟踪轨迹,再采用支持实时动态参数调整的自适应ST算法。实验表明,三种不同的控制方法均能够使水下机器人达到所需的位置和姿态。其中,指令滤波控制方法表现出更快的平均收敛时间,仅为1.3秒。结果表明,研究所提方法能实现更短的调节时间,减小轨迹跟踪误差,同时保持稳定性和抗干扰性。

基于改进布谷鸟搜索算法的光伏最大功率点跟踪策略

实际工程中,光伏阵列在随机变化的环境中会出现局部遮光的情况,从而导致光伏阵列的功率-电压特性曲线会呈现多峰值状态,传统的最大功率点跟踪(maximum power point tracking, MPPT)算法易陷入局部最优解,追踪速度和精准度无法得到满足。针对这一问题,提出一种基于布谷鸟搜索算法(cuckoo search algorithm, CS)和电导增量法(conductivity increment method, CI)结合的光伏MPPT算法,在算法前期利用布谷鸟搜索算法将大步长和小步长交替使用使得全局搜索能力增强,找到全局最大功率点所处区域附近;在后期,采用步长小、控制精度高的CI进行局部寻优,快速准确地锁定到最大功率点。在MATLAB/Simulink中搭建仿真模型,并与原始布谷鸟搜索算法和粒子群优化(particle swam optimization, PSO)算法进行比较。仿真结果表明,将CS与CI结合的算法使得收敛速度更快,精度更高,稳定状态时功率曲线的波动更小。

基于长短期记忆网络-模糊控制的光伏最大功率点跟踪算法

光伏阵列具有非线性特点且其最大功率点会随环境变化而产生偏移现象。尽管最大功率点跟踪算法被广泛地应用于跟踪和预测光伏系统的最大功率点,但仍然面临着模糊控制的动态品质低、控制精度不佳等挑战。为解决前述问题,提出了一种集成长短期记忆网络与模糊控制的光伏最大功率点跟踪算法。首先,采用长短期记忆网络以时间序列法预测最大功率点电压。其次,将该预测电压与光伏阵列电压间偏差及其导数作为模糊控制的输入,然后直接调节Boost变换器的占空比。再者,为防止开关管常通,预先设置了变换器的最大、最小占空比。最后,在四种可变大气条件下,利用MATLAB/Simulink对所提算法进行仿真验证。实验结果表明:与长短期记忆网络、电导增量法和遗传算法相比,所提出的算法具有良好的跟踪性能、稳定精度及效率,并且具有波形更平滑、振幅较小的优点。

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。

局部遮荫下基于改进金枪鱼算法的光伏最大功率点跟踪控制

光伏阵列在局部遮荫环境下的P-U特性曲线呈现多峰特性,导致传统最大功率点跟踪(MPPT)算法在跟踪最大功率时失效。为此,提出一种基于改进金枪鱼算法的光伏MPPT双层控制模型,在上层中将莱维飞行(Levy)策略和多项式变异策略嵌入金枪鱼算法中,构建莱维-多项式变异金枪鱼算法(LPTSO)来搜索全局功率最大点;在下层中采用扰动观察法对全局最大功率点进行局部跟踪,以降低局部遮荫环境下的功率振荡。将该双层控制模型应用于光伏MPPT仿真系统中,仿真实验结果表明,针对多峰MPPT控制,所提模型在收敛速度、跟踪效率、功率振荡等方面都有较大提升,该光伏MPPT双层控制模型能够有效解决局部遮荫环境下最大功率跟踪失效的问题。