给大家推荐5篇关于DeepSort的计算机专业论文

今天分享的是关于DeepSort的5篇计算机毕业论文范文, 如果你的论文涉及到DeepSort等主题,本文能够帮助到你

基于碎片化视频信息的关键目标人物检测和跟踪

这是一篇关于隐藏遮挡,关键目标检测,关键目标跟踪,YOLOv5,DeepSort的论文, 主要内容为关键目标人物检测和跟踪在实际复杂场景和碎片化信息获取情况下,对算法的速度和精度都提出了更高的要求。目前,YOLO等一阶段目标检测算法和Deep Sort等多目标跟踪技术具有速度和精度的优势,但在特殊场景中对关键目标角色的检测和跟踪受到隐藏、遮挡和少样本等影响,面临目标误检、目标漏检、目标丢失等问题。本学位论文主要通过优化YOLOv5和Deep Sort来解决上述问题,实现对特殊场景中关键目标人物的高效检测和跟踪。论文首先研究基于YOLOv5的关键目标人物检测算法,提升对被隐藏、遮挡的关键目标人物的检测效果。然后探索基于Deep Sort的关键目标人物跟踪算法,结合基于YOLOv5的关键目标人物检测算法,实现对隐藏、遮挡人群的准确追踪,最后设计与实现基于碎片化视频信息的关键目标人物检测和跟踪系统。论文的工作创新主要体现在以下三个方面:(1)设计了一种基于YOLOv5的关键目标人物检测算法。该算法从注意力机制、损失函数、特征金字塔网络三个方面对YOLOv5进行改进。针对隐藏、遮挡情况下关键目标人物有效特征丢失的问题引入CBAM注意力机制,添加在主干网络输出的3个有效特征层256、512、1024的后面,实现关键特征的有效提取;为了解决特殊场景下获取的样本数量较少的问题,将原有的BCE Loss替换为Focal Loss,解决样本少的类别分类准确率不高的问题;为了实现关键特征的有效融合,引入加权双向特征金字塔网络(BiFPN),替换原来的FPN+PANet,充分利用有效特征。重新训练模型对图像中潜在的关键目标人物进行检测,在Crowd Human数据集上的实验结果表明,改进的YOLOv5算法对复杂场景中遮挡、隐藏、重叠等人物检测效果较好,而这些人物往往都是关键人物。(2)设计了一种基于DeepSort的关键目标人物跟踪算法。该算法从IOU匹配、深度特征提取网络两个方面对Deep Sort进行改进。在特征提取方面,用改进后的Res Net50网络取代原有的深度特征提取网络,实现被遮挡被隐藏的关键目标人物的有效特征提取;在级联匹配之后,对原有的IOU匹配算法进行替换,使用CIOU解决IOU匹配算法在遮挡、重叠等场景中效果较差的问题,提高检测框和预测框的匹配准确度。融合基于YOLOv5的关键目标人物检测算法和基于Deep Sort的关键目标人物跟踪算法,以优化的YOLOv5算法作为检测器,优化的Deep Sort算法作为跟踪器,在Market-1501数据集上重新训练深度外观提取模型之后,在MOT-16数据集上验证了关键目标人物跟踪算法的鲁棒性,即使是隐藏起来或者被遮挡的人群仍然能够追踪到,且ID不易发生跳变。(3)设计和实现了基于碎片化视频信息的关键目标人物检测和跟踪系统,将上述检测和跟踪算法部署在云端服务器上,在客户端可分别执行目标检测和目标跟踪功能,将待检测图片上传到服务器端得到目标检测结果,将待检测视频上传到服务器端得到目标跟踪结果,结果都可展示在可视化前端页面中。搭建环境对系统进行测试,测试结果表明,改进后的YOLOv5检测算法和改进后的Deep Sort跟踪算法解决了复杂场景下目标漏检、跟踪目标丢失的问题,功能和性能方面都较好地满足了实际应用的需求。

基于深度学习的多目标车辆检测与跟踪算法研究

这是一篇关于目标检测,目标跟踪,Yolov5s,DeepSort,轻量化的论文, 主要内容为随着信息化和智能化时代的到来,智能监控系统得到快速发展,通过智能监控系统对道路上的车辆进行检测和跟踪,可以有效实现事前紧急预警、事中及时处理、事后精准取证等过程,还可以为车辆行驶状态检测提供支持,节省人力开支。传统检测跟踪方法耗时较长,实时性较差;而深度学习方法对设备性能要求较高,不能很好的应用于摄像头等轻便型设备,因此需要对算法进行轻量化处理。本文将在牺牲一部分精度的前提下,着重减小网络的参数量、计算量和模型大小,降低算法对设备性能的要求,提高算法的检测跟踪速度。本文主要研究内容如下:(1)目标检测与多目标跟踪相关算法研究。对目前应用较广泛的Faster R-CNN网络和Yolov5s网络的原理进行研究,对多目标跟踪算法中应用较为广泛的SORT算法和Deep Sort算法进行研究,通过结果对比分析这几种算法的优缺点,并选择适合本文的目标检测算法和多目标跟踪算法;对数据集标注进行格式转换,为后续实验做准备。(2)改进Yolov5s网络的车辆检测算法研究。针对目前深度学习网络不能较好地满足摄像头等轻便型设备应用的问题,引入轻量型Mobile Net V2网络对Yolov5s目标检测算法的骨干网络进行改进,从而降低目标检测网络的模型权重大小和参数量。考虑到经过轻量化处理后特征损失较多,因此在颈部网络中融入CABM注意力机制来保留更多特征信息;为了在轻量型Yolov5s网络基础上提升检测精度,增加SPP结构分支来增大感受野,同时在轻量型Yolov5s网络基础上增加检测层,来提高对小型目标的检测效果;为改进后的Yolov5s网络算法设计实验进行验证,并为改进后的目标检测算法设计稳定性实验,验证其稳定性。(3)改进Deep Sort多目标车辆跟踪算法研究。针对Deep Sort算法中的特征提取网络模型不太适合车辆外观特征提取的问题,在车辆重识别数据集上对该网络进行重新训练,并采用Shuffle Net V2网络对其改进;针对Deep Sort算法中采用两阶段目标检测网络造成跟踪速度较慢的问题,将改进的目标检测网络与Deep Sort算法相结合,并采用GIo U匹配替换Io U匹配,用来更好的衡量目标检测框与预测框之间的匹配度;为改进后的算法设计实验,在测试数据集上进行算法性能的对比,验证改进后算法的运行速度。通过轻量化改进处理,本文的检测算法和跟踪算法的参数量和模型权重均得到减小,且检测速度和跟踪速度得到了不同程度的提升。

基于DeepSort的斑马鱼轨迹追踪研究与应用

这是一篇关于多目标追踪,斑马鱼追踪,鱼群重识别,DeepSort,深度学习的论文, 主要内容为动物多目标追踪任务是目前计算视觉的研究热点和难点,具有较高的应用价值。斑马鱼的行为实验被广泛应用于发育生物学、基因功能研究、疾病发病机制研究、新药研发等基础研究领域。准确、快速地完成对斑马鱼运动的三维轨迹追踪,对斑马鱼的行为分析十分重要,能够促进相关领域的研究开展。斑马鱼三维轨迹追踪的难点在于外形相似、遮挡、运动迅速、三维轨迹无法直接获取等。本文提出适用于斑马鱼的个体重识别模型,在此基础上结合DeepSort算法实现单个视角下的斑马鱼多目标追踪,并进一步融合两个视角信息实现三维轨迹追踪,最后开发了用于斑马鱼行为分析的平台原型。本文的主要工作如下:1.针对斑马鱼的外观、纹理极其相似,在追踪过程中容易导致目标丢失的问题,提出基于度量学习的斑马鱼重识别模型。受行人重识别算法的启发,将追踪过程中不同帧中的斑马鱼个体进行匹配的任务当作图像检索子问题,通过计算不同目标之间的相似度,实现目标的匹配。后续斑马鱼多目标追踪实验的结果表明,该模型具有较好的效果。2.针对斑马鱼群单个视角的二维轨迹中存在个体之间遮挡、快速转向等导致跟踪目标易丢失的问题,提出基于DeepSort算法的斑马鱼多目标追踪。结合鱼群重识别中获取到的个体外表特征,以及通过卡尔曼滤波算法预测的斑马鱼下一帧运动信息,本文通过数据级联实现了对斑马鱼的二维轨迹追踪。3.针对三维轨迹追踪中两个视角数据融合这一问题,本文采用多视角信息融合的策略,结合俯视图和侧视图之间运动、外观信息,实现了两个视角的轨迹匹配,从而缓解了鱼群追踪中的目标易丢失问题,最终实现了斑马鱼游动中的三维运动轨迹的追踪。实验结果表明,本文提出的方法能够有效获取斑马鱼的轨迹。4.本文根据动物行为学分析实际应用的需求,设计并实现了斑马鱼行为分析系统平台。该平台基于浏览器/服务器模式,采用开源轻量级框架Springboot进行开发。本平台包括用户管理、轨迹可视化、行为分析和数据管理功能,用户通过Web端即可访问,并且可以对实验结果可视化,从而能够较好的促进对斑马鱼运动行为的分析。

基于深度学习的多目标车辆检测与跟踪算法研究

消防器材仓库管理系统智能化关键技术研究

这是一篇关于出库信息采集,目标检测与跟踪,YOLOv5-SD,DeepSort的论文, 主要内容为随着社会的快速发展和城市现代化水平的提升,我国各行各业都在向数字化、大数据和智能化方向发展。随着“智慧城市”概念的逐步形成,消防安全成为智慧城市建设中至关重要的一个环节。为了解决紧急情况下消防器材出库信息采集不及时的问题,以及针对当前消防器材出库管理现状进行改进,本研究将深度学习算法与消防器材仓库管理系统相结合,旨在实现消防仓库管理系统智能化关键技术的研究。本研究将以基于深度学习的消防器材检测识别和移动目标跟踪为切入点进行研究,着眼于降低计算资源的使用、提高识别速度以及降低目标遮挡时的ID切换次数等方面,从而做出有针对性的改进。主要从以下几个方面研究了出库信息采集系统设计:(1)本研究通过对消防仓库管理系统进行需求分析,设计出系统的整体方案,并介绍了系统的工作环境,为后续章节的设计内容引入铺垫。鉴于YOLOv5算法具有体量轻、实时性高等优点,在本研究中用于消防器材出库过程中目标的检测和识别。为提升对消防器材的检测效果,本研究对YOLOv5算法进行了改进,将注意力机制SE(Squeeze-and-Excitation)模块添加到主干网络的最后,从而提高算法的检测精度和性能。考虑到消防员在携带多件器材出库时,容易出现目标遮挡和漏检问题,传统的非极大抑制算法NMS(Non-Maximum-Suppression)不能解决重叠度过高的目标对象。因此,本研究采用DIo U-NMS算法代替传统算法进行筛选。在筛选重叠框的时候加入目标框的中心点距离约束,提高了算法的筛选精准度。实验结果表明,本文提出的算法可以提高目标发生遮挡时检测精度,相比原算法m AP值提高了3.8%。(2)在实现消防器材目标检测后,本研究将消防器材检测结果作为跟踪算法的检测器进行研究。消防器材出库跟踪过程中,目标遮挡、检测器检测失败和ID丢失等问题时有发生。针对以上问题,本研究引入Deep Sort算法进行移动目标的跟踪分析。采用融合度量方式匹配预测跟踪结果和检测结果。本研究还针对重叠区域的匹配问题,使用扩展级联匹配算法进行轨迹匹配。最后,本研究采用非极大抑制方法来抑制重复出现的检测框,提高跟踪算法的准确率。在Deep Sort算法的基础上,本研究使用联合Dark Net53进行下采样,从而获取更深层次的特征信息,提高目标特征的收敛速度。实验结果表明,以YOLOv5-SD为检测器的Deep Sort跟踪算法相较于原算法,ID切换频率显著降低。(3)为了使目标检测跟踪技术真正适用于消防器材出库信息采集场景,本研究结合YOLOv5-SD目标检测算法和改进的Deep Sort跟踪算法进行模型部署,并基于Py Qt库开发出一套消防器材仓库管理系统。为了验证消防器材出库信息采集的可行性,本系统每个功能都以一个独立模块开发,并将每个接口嵌入到UI界面中,方便消防员进行实际操作。本研究采用实验室搭建的模拟消防器材出库平台进行上述算法性能的验证。实验结果表明,本算法能够确保检测和跟踪满足出库信息收集功能的要求,验证了该算法的可行性。综上所述,本研究围绕应急状态下的消防器材出库信息采集系统展开研究,将深度学习技术和消防器材出库信息采集管理系统相结合。本研究针对快速出库的目标检测和跟踪算法进行了大量研究,并将改进后的算法与原算法进行了详细对比。实验结果表明,将YOLOv5-SD算法和改进后的Deep Sort算法结合后更适用于快速出库场景下的目标检测和跟踪。此外,本研究的算法改进对消防器材仓库管理具有一定的参考价值。

本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设货栈，原文地址：https://m.bishedaima.com/lunwen/50178.html