基于视频图像和深度学习的车辆轨迹检测与跟踪

为保障高速公路车辆安全通行,及时有效地获取车辆运行信息,结合高速公路监控视频,利用优化后的YOLOv5目标检测算法和Deep Sort多目标追踪算法进行车辆轨迹检测与跟踪,实时监测车辆运行状态,识别异常驾驶行为。首先,基于高速公路监控视频,构建车辆检测数据库,由于自建数据库中各类别车型数量相差较大,影响检测精度,因此在模型的输入段提出Class-Weighted Mosaic数据增强方法,提高模型对于各种车型的检测能力。其次,针对原始YOLOv5模型中,网络结构设计冗余的问题,设计一种高效的CG3瓶颈层结构替换原有的CSP结构,在不影响精度的情况下,提高网络运行效率。为提高特征提取能力同时具有较高的检测效率,轻量的ECA(Efficient Channel Attention)注意力模块添加到模型中,让模型关注更重要的区域;然后,针对Deep Sort追踪算法在车辆遮挡情况下精度较差的情况,采用Resnet18作为其车辆外观特征提取网络,损失函数替换为三元损失函数,提高追踪算法精度。最后,利用高速公路监控视频对所提出的算法进行评估。经过试验得出:优化后的算法得出的车辆检测精度由92.8%提高到了96.3%,精度提高了3.5%,能够有效缓解类别不均衡给网络训练带来的不利影响,并且检测速度达到25~35 fps,达到车辆实时监测的要求,在车辆追踪过程中,能够有效的克服车辆遮挡问题。