[发明专利]基于改进YOLOv3模型的行人多目标跟踪视频识别方法

说明书

基于改进YOLOv3模型的行人多目标跟踪视频识别方法，属于计算机视觉的图像处理领域。本发明在YOLOv3网络中，将Darknet‑53特征提取层中原有的标准卷积替换为深度可分离卷积；并且在YOLOv3网络的预测层中引入SENet模块；利用K‑means++聚类算法对选定数据集中的目标边框进行聚类，根据聚类结果优化网络的先验框参数，并修正了锚框。本发明利用tracking‑by‑detection框架，使用改进的YOLOv3算法来实现对目标信息的检测工作，跟踪部分选用Deep‑SORT算法进行跟踪，使得整体的算法能够有效地减少漏检和出现遮挡的情况，并且能保持较快的检测速度和较好的跟踪效果。

技术领域

本发明属于计算机视觉的图像处理领域，具体是针对多目标跟踪中存在的行人目标漏检率高且检测速度慢的问题，改进了YOLOv3的网络结构，使得模型对行人目标的检测精度和检测速度都有所提高。检测部分采用改进YOLOv3算法检测行人目标，跟踪部分使用卡尔曼滤波算法预测目标运动轨迹，数据关联部分使用匈牙利算法对目标进行匹配关联。

背景技术

随着深度学习的快速发展，相比于传统手工设计的特征，卷积神经网络逐渐体现出了优势；深度神经网络在机器视觉领域表现出优异的性能，已获得学者们广泛的关注；行人作为道路交通环境中的弱势群体，其安全问题不容小觑，建立完善的行人检测系统已成为研究热点；另外，将深度学习用于驾驶辅助系统也正成为发展趋势；本文以道路行人研究对象，开展了基于深度学习的目标检测及跟踪算法的研究。

近年来，基于检测的多目标跟踪方法逐渐成为多目标跟踪领域的主流方案，但是该方法对检测结果的准确度要求较高，如果背景较为复杂，则会对目标检测造成较大影响，进而影响跟踪效果；即使目前较先进的YOLOv3算法，也存在着检测精度不够高，检测速度慢的问题；其次，如何有效建立检测器与跟踪器之间的目标模型也至关重要。因此，提供一种检测精度更高，检测速度更快的行人检测与跟踪算法是本领域技术人员必须解决的问题。

发明内容

为了提高行人多目标跟踪算法的检测精度与速度，本发明提供了一种基于改进YOLOv3网络模型的行人多目标跟踪视频识别方法；在YOLOv3网络模型和Deep-SORT算法的基础上，针对目标检测跟踪的遮挡和漏检问题，用K-means++聚类方法优化先验框，并将SENet模块嵌入到YOLOv3网络预测层中，针对算法检测速度慢的问题，利用深度可分离卷积网络代替YOLOv3网络的标准卷积进行特征提取。选定经典的tracking-by-detection框架，检测部分使用改进的YOLOv3算法来实现对目标信息的检测工作，跟踪部分选用Deep-SORT算法进行跟踪。

本发明所采用的技术方案是：

基于改进YOLOv3模型的行人多目标跟踪视频识别方法，步骤如下：

步骤1：行人检测部分：改进YOLOv3目标检测网络，引入深度可分离卷积模块，利用深度可分离卷积模块替换Darknet-53特征提取层中的标准卷积模块；引入SENet模块，将SENet模块添加到YOLO预测层中；

步骤2：从公有数据集中选出含有行人图像的数据集，使用K-means++聚类算法替换K-means聚类算法对数据集标签进行聚类分析，训练行人检测YOLOv3网络模型；

步骤3：多目标跟踪部分：使用训练好的行人检测YOLOv3网络模型进行目标检测，与Deep-SORT算法相结合，进行行人多目标跟踪；

所述步骤1进一步具体为：

步骤1.1：Darknet-53特征提取层中引入深度可分离卷积模块，并利用深度可分离卷积模块替换原有Darknet-53中的标准卷积模块；深度可分离卷积是把通道和空间区域分开考虑，将标准卷积分解成深度卷积和逐点卷积，即首先使用深度卷积对特征图中3个单通道分别进行3*3卷积，收集每个通道的特征，再使用逐点卷积对经过深度卷积后的特征图进行1*1的逐点卷积，收集每个点的特征；