基于改进YOLOv3的街道行人检测与跟踪方法

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。

基于深度学习与多级匹配机制的港区人员轨迹提取

针对港口环境空间布局复杂,集装箱堆场、起重机械、装卸运输设备等复杂背景干扰下港区工作人员难以被准确跟踪的问题,本文面向港口监控视频提出一种基于Faster-RCNN(Faster Region Convolutional Neural Networks)检测算法和改进Deep SORT(Deep Simple Online and Realtime Tracking)跟踪算法的港区工作人员轨迹提取框架(FRIMDS)。本框架加入自适应高斯降噪和直方图均衡化算法,融合图像增强技术和行人重识别网络(Person Re-identification,ReID)提取港航图像特征信息,以提高港区工作人员轨迹提取的快速性和准确度。通过前置特征提取网络、候选区域建议网络、感兴趣区域池化和全连接层联合输出港区工作人员图像序列检测结果,采用级联匹配和匈牙利算法匹配港区工作人员位置信息,最后利用卡尔曼滤波预测得到港区工作人员运动轨迹。结果显示,本文所提方法在各典型港口场景中面对不同光照变化、低能见度、阴影干扰等挑战均表现出良好的性能,E_(IDF1)、E_(IDR)、E_(RCLL)、E_(MOTA)指标平均值分别为98%、97%、97%、95%。结论表明,本文提出的FRIMDS框架具有一定的精确性和稳定性,可为自动化码头安全监管提供技术支撑。