论文部分内容阅读
随着深度学习技术的逐渐成熟,该技术已被广泛地应用于自动驾驶、智能监控和人机交互等领域。本文就行人检测与跟踪为研究对象,研究该任务中最为重要的两个部分:行人检测和多目标跟踪。依托深度学习技术,进行基于卷积神经网络的行人检测模型与多目标跟踪算法研究。针对行人检测问题,本文首先通过对比分析选取检测精度较高、实时性较好的YOLOv3网络为行人检测模型。利用行人检测数据集进行检测模型的研究,本文收集整理行人图片进行标注。针对行人检测精度很低的问题,使用了三种优化方法,分别是行人样本分类、K-means聚类获取最优先验候选框及难样本再训练,成功使行人检测精度提升至90.89%。其次,针对数据集中远距离行人检测精度较低的问题,本文提出了改进的YOLOv3模型,该模型改进了YOLOv3模型的主干网络结构并融合网络中部分残差单元。以远距离数据集作为验证,与原YOLOv3行人检测结果对比,改进的YOLOv3模型行人检测精度m AP(mean Average Precision)提升了4.53%,行人检测准确度Io U(Intersection-over-Union)提升7.02%。通过预处理经典数据集中的行人图片生成辅助数据集,并导入不同的检测模型进行训练及测试,对比分析改进的YOLOv3模型和其他深度学习模型的优劣。实验结果体现了改进的YOLOv3模型在各种场景下,良好的行人检测精度及鲁棒性。针对多目标的跟踪问题,在改进的YOLOv3模型行人精确检测的基础上,本文首先分析多目标跟踪的架构和关键技术。其次根据运动、形状及深度外观特征,提出了一种基于多信息融合的高置信度层级数据关联模型。然后通过相关滤波器计算关联对的置信度,提升跟踪模型的行人跟踪效果及处理效率。最后在公用跟踪验证集上进行对比实验,分析不同模型的跟踪效果。与其他多目标跟踪模型相比,本文提出的多目标跟踪模型在平衡跟踪精度和处理效率的性能上表现得更好。