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。