[发明专利]一种复杂场景下轻量级行人跟踪方法

说明书

本发明提供一种复杂场景下轻量级行人跟踪方法，涉及计算机视觉中的目标跟踪应用领域。本方法包括收集行人训练数据集和行人重识别数据集，进行数据预处理；目标检测；目标跟踪。目标检测部分使用改进的YOLOv5实现对行人进行识别;目标跟踪部分使用改进的Deep SORT模型。本发明可以有效改善行人跟踪速度，以及复杂场景下行人大面积遮挡导致的检测准确度低的问题。进一步提升目标检测与跟踪速度与精度，为后续的深度学习算法研究以及工程运用提供新的思路。

技术领域

本申请涉及CV（Computer Vision，计算机视觉）领域，更具体地，涉及一种行人识别跟踪方法。

背景技术

多目标识别跟踪是深度学习领域的研究热点，在诸多工程实践中具有广泛的研究与科研价值。在实际复杂场景中，多目标跟踪算法经常面临着人群拥堵带来的行人间相互遮挡、行人姿态的频繁变换、远处小目标行人所产生的漏检误检、目标边界框不准确等诸多问题。因此，提出鲁棒而又泛化能力强的在线多目标跟踪算法是一项富有挑战性的任务。

发明内容

本发明提供了一种复杂场景下轻量级行人跟踪方法，该方法可包括：收集行人训练数据集和行人重识别数据集，进行数据预处理；目标检测；目标跟踪。目标检测部分使用改进的YOLOv5实现对行人进行识别；目标跟踪部分使用改进的Deep SORT模型。本发明可以有效改善行人跟踪速度，以及复杂场景下行人大面积遮挡导致的检测准确度低的问题。可以进一步提升目标检测与跟踪速度与精度，为后续的深度学习算法研究以及工程运用提供新的思路。

本申请可获得一个或多个有益效果：

（1）将 Deep SORT 的特征提取网络替换为Shuffle Net，在提升特征提取精度的同时减少模型的大小以达到轻量化跟踪的效果；

（2）针对目标识别精度低问题，改进YOLO v5的网络结构。首先使用空洞空间金字塔池化模块（ASPP）替换原有的SPP模块，减小网络参数提升主干网络特征提取能力，并将注意力机制ECA-Net与颈部网络融合，加强模型提取特征的能力，使模型更加关注被检测的目标；

（3）采用CIoU-NMS的非极大值抑制的方法，结合CIoU损失函数改善原有GIoU损失函数的缺陷，加快模型收敛速度以减少检测与跟踪时由于遮挡导致的漏检与ID跳变问题。

附图说明

图1为本发明的一种实施例的方法流程图；

图2为本发明的一种实施例的改进的YOLOv5模型结构示意图；

图3为本发明的一种实施例的结合ASPP的模块图；

图4为本发明的一种实施例的结合ECA-Net的模块图；

图5为本发明的一种实施例的Shuffle-Net特征提取网络结构；

图6为本发明的一种实施例的Shuffle-Net分支结构图；

图7为本发明的一种实施例的Deep SORT算法流程图。

具体实施方式

本发明的一种基于改进的YOLOv5和DeepSORT的行人追踪方法，包括：收集行人训练数据集和行人重识别数据集,得到用于模型训练与追踪的图像集；搭建改进的YOLOv5模型，增加对目标特征学习的能力，结合CIoU_loss函数与CIoU-NMS方法对锚框进行筛选；使用训练效果最优的模型对行人检测；将上述检测结果输入到改进的DeepSORT模型进行行人追踪。本发明有效保证对行人检测与追踪的实时性,大大提升检测精度。

下面结合附图对本发明做进一步详细说明。

图1为本发明的一种实施例的方法流程图。如图1所示,本实施例方法，包括以下步骤。

步骤1：收集行人训练数据集和行人重识别数据集,进行数据预处理；