给大家分享7篇关于DeepSORT的计算机专业论文

今天分享的是关于DeepSORT的7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

基于视频的行人恐慌事件智能侦测技术及实现

这是一篇关于行人检测,行人跟踪,行人轨迹,异常速度,YOLOv5,DeepSORT的论文, 主要内容为随着社会不断发展,人们对社交需求不断增加,类似商场、广场等公共场所的人流量也在不断增加,这对公共场所行人安全的要求变得越来越高。在公共场所发生突发事件时,由于相关管理人员没办法及时获取突发事件的预警消息,导致无法及时疏散人员,最终造成公共场所人员的生命损伤或者财产损失。针对这种需要长时间监控的情况,传统人工视频监控没办法高效地完成监控预警工作。如今监控视频技术不断更新和应用,使用智能化的视频来侦测公共场所安全问题成为了一种可能。在此背景下,本论文结合计算机视觉、近景测量学和统计学相关技术和知识,通过监控视频检测、跟踪行人获得行人真实的坐标和速度来侦测恐慌事件的发生,并且通知相关紧急事件的管理人员,及时疏散突发事件的周边人员。本论文的主要工作包括:(1)从实时检测速度和精度两方面综合考虑,在当前主流的行人检测算法中选择YOLOv5模型作为公共场所的行人检测模型,提取出行人双足中点的像素坐标,并以检测结果作为智能侦测算法的输入数据。(2)基于直线线性变换标定法,选择15组像素坐标系和世界坐标系的对应点,对监控的单目相机进行标定得到相机内参数和外参数,建立行人的像素坐标和真实坐标的转换关系。(3)使用Deep SORT行人跟踪模型跟踪监控区域中的行人,记录行人对应的真实世界坐标并计算该行人的运动速度。将正常情况下行人的运动速度作为一组经验数据,而后续时间内的行人运动速度作为一组实验数据。对这两组独立的经验数据和实验数据进行曼-惠特尼U检验,判断该区域是否有突发事件发生。(4)根据对恐慌预警实际应用的需求,设计了行人恐慌事件智能侦测系统。该系统使用Java语言基于Spring Boot框架快速开发,设计并实现了用户管理、恐慌预警、行人人数统计、行人轨迹可视化等功能。并对真实的监控视频进行分析,以验证本系统和对应算法的可行性。

动态生猪实时高精度计数系统设计与实现

这是一篇关于目标检测,多目标跟踪,DeepSORT,生猪计数的论文, 主要内容为生猪产业是中国畜牧业中最重要的产业之一,人工智能技术的应用推动着生猪养殖业逐渐向智能化、规模化发展。在养殖场的日常管理中,传统人工计数或电子标签的生猪数量盘点方法效率低下、计数精度不高,且会对猪体造成一定程度的损伤。基于视频图像的智能检测与计数方法能够在无接触的情况下实时对猪场进行监控,自动盘点生猪数目,有利于提高计数效率,实现养殖场的安全高效管理。本文针对养殖场生猪盘点中计数效率低,计数不准确等问题,通过结合YOLOv5高精度目标检测器,使用改进的Deep SORT算法实现目标跟踪,并提出一种带移动方向判断的向量矢能计数方法,实现了动态生猪的实时高精度计数。本文的主要研究内容如下:(1)在生猪养殖场实地采集了大量生猪动态视频序列,筛选较有代表性的视频并用Label Img工具构建了一个包含2797张生猪图像的目标检测数据集;此外,在视频中挑选了6个生猪运动较集中的序列,通过Darklabel标注工具制作了一个包含160个生猪的目标跟踪数据集,为后面开展生猪目标检测与跟踪计数研究提供了基本数据支持,也对生猪智能养殖领域的研究提供了数据参考;(2)提出一种深度残差生猪特征提取模型,解决生猪目标跟踪过程中由于目标挤压遮挡导致的跟踪不连续的问题。首先通过YOLOv5算法对视频中的生猪实现高精度检测,通过Deep SORT算法对检测到的目标进行轨迹关联。跟踪过程中使用重训练的生猪特征提取模型,结合卡尔曼滤波预测的位置信息与特征提取的外观信息实现生猪的动态跟踪以及目标被遮挡再出现时的身份恢复;(3)提出一种带移动方向判断的向量矢能计数方法,对同一目标经过虚拟计数线时的移动方向进行判断,实现相应方向计数值统计以及总数的计算,解决了生猪在计数线附近来回移动造成的计数误差,通过实验验证了本文的跟踪计数方法平均准确率可达到98.36%,平均实时帧率可达每秒28.35帧;(4)针对本文所提出的智能生猪检测与计数系统,采用Py Qt5进行GUI界面设计,实现了离线模式和在线模式的实时高精度检测与计数功能,并添加调速功能与重计数功能,便于在目标密集时检查误检漏检情况以及提高计数结果的可靠性。

多场景下基于YOLOv5和DeepSORT的多目标跟踪算法研究

这是一篇关于DeepSORT,YOLOv5,Res2Net,重识别,卡尔曼滤波的论文, 主要内容为基于深度学习的目标检测技术和多目标跟踪技术是机器视觉领域的主要研究分支,该领域研究成果在智能驾驶、视频监控、智慧交通领域有着非常广泛的应用场景。本文使用基于YOLOv5检测的DeepSORT多目标跟踪算法针对行人多目标跟踪和车辆多目标跟踪两个场景开展研究工作,具体围绕以下几个方面进行研究。针对行人多目标跟踪领域,本文主要研究了在尺度变化和行人遮挡频繁的复杂场景下,现有多目标跟踪方法Re-ID鲁棒性不高导致多目标跟踪精度较低的问题。提出一种在更细粒度层次上改进YOLOv5-DeepSORT中重识别模块的多目标跟踪方法。基于Res2Net搭建一种在单个残差块内部继续分层的网络作为Re-ID部分的特征提取网络,有效提高了网络提取多尺度特征的能力,且在提取到目标更深层特征的同时仍能保留大量细节信息;在骨干网络输出部分采用均分特征图的结构,加强局部特征对网络总体性能的影响。最终在公开数据集Market-1501和Duke MTMC-re ID上训练重识别模型。将改进后的行人跟踪系统在MOT16测试序列中进行跟踪效果评估。实验结果表明相较于默认算法,本文所提行人跟踪系统使用Market-1501训练后MOTA提升5.4%,MOTP提升2.2%;使用Duke MTMC-re ID训练后MOTA提升9.6%,MOTP提升2.7%。针对车辆多目标跟踪领域,本文主要研究了在光照、天气等恶劣环境影响下,目标检测效率低导致跟踪精度不佳的问题。基于YOLOv5提出一种改进C3模块的特征提取网络和融合高效注意力模块的特征融合网络,有效提高了车辆检测器在复杂环境和模糊背景下的鲁棒性。将改进后的车辆检测器在公开数据集Vehicle-Dataset与现实场景数据集中进行训练。实验结果表明相较于默认算法,本文所提车辆检测系统m AP＿0.5和m AP＿0.5:0.95分别提升5.3%和3.8%,Precision和Recall分别提升6.9%和3.2%。车辆跟踪器部分使用卡尔曼滤波匀速运动模型获取目标运动信息,使用轻量化网络Shuffle Net V2获取目标外观信息,有效减少了网络参数量和内存访问量,降低了算法对边缘设备的配置要求。同时设计了一种高效匹配策略增强车辆跟踪系统在遮挡场景下的鲁棒性,配合撞线计数法可以完成准确的车流量统计和车流运动方向判断。

多场景下基于YOLOv5和DeepSORT的多目标跟踪算法研究

基于监控视频的行人检测跟踪算法研究

这是一篇关于监控视频,行人检测,行人跟踪,YOLOv5,DeepSORT的论文, 主要内容为随着深度学习的飞速发展,行人检测跟踪模型性能有了很大的提高。但是在复杂环境中,监控视频中容易出现目标尺寸小,行人被遮挡等情况,给目前的行人检测跟踪算法带来了巨大挑战。由于小目标的信息较少容易漏检,导致检测精度下降,从而使跟踪效果不佳。因此,需要在改善小目标检测效果的基础上,进一步提高跟踪性能。针对此问题,本论文研究监控视频中的行人检测跟踪算法,工作内容围绕行人检测算法和行人跟踪算法两方面展开,具体如下:(1)针对小目标检测难问题,以YOLOv5为基准模型,构建结合协同注意力机制和P2-Bi FPN(P2 Bidirectional Feature Pyramid Network)结构的行人检测模型。首先,在骨干网络的残差单元中添加协同注意力机制,提高对小目标定位的准确度,并将残差单元的对称卷积核3×3替换为并行的非对称卷积核3×1和1×3,从而减少模型参数量。然后,搭建P2-Bi FPN特征融合网络,将P2浅层的小目标信息通过特征增强模块引入到高层特征图,从而丰富小目标信息,进一步提高小目标的检测效率。最后,该算法在Wider Person行人检测数据集上进行训练和测试。实验结果表明,相比基准模型,本文构建的行人检测模型的m AP提升了1.7%,模型参数量减少了5.66M。(2)针对行人间的遮挡问题,在行人检测算法的基础上,设计增强数据关联的抗遮挡行人检测跟踪方法。利用结合协同注意力机制和P2-Bi FPN结构的行人检测模型作为检测器,对原Deep SORT跟踪算法做抗遮挡处理。首先,在该算法模型中引入本文搭建的Ghost Net-cot重识别网络,该网络结合了轻量化的Ghoset Net模型和引入上下文信息的Co T块网络,从而提取出更具有鉴别性的特征图,给予行人部分更高的关注度。然后,优化数据关联匹配方式,联合空间信息和外观信息对遮挡目标的检测框和确认态轨迹再次进行匹配,从而提高遮挡场景中行人跟踪模型的性能。最后,在MOT16跟踪数据集上对该算法进行训练和测试。分析实验结果可知,相比原Deep SORT算法,本文研究的抗遮挡Deep SORT跟踪算法的HOTA提高了3.61%,IDSW减少了33%,跟踪效果更好。相比于基准模型YOLOv5+Deep SORT算法,本文构建的基于监控视频的行人检测跟踪模型的HOTA提高了9.03%,说明对小目标和被遮挡行人的跟踪效果更好。

井下矿工多目标检测与跟踪算法研究

这是一篇关于矿工安全,多目标检测与跟踪,注意力机制,行人重识别,DeepSORT的论文, 主要内容为我们国家是生产煤炭资源的大国,在能源结构绿色转型调整过程中,煤炭仍将是我国的主体能源。随着国内煤炭开采条件日渐复杂,矿山安全工作得到了更多的重视,井下视频监控中员工多目标检测与跟踪算法的研究对于提高煤矿安全工作的精准性和效率具有重要意义。由于井下环境中高含量的粉尘、高湿度、光照不足以及复杂的背景影响,使得传统的多目标检测和跟踪算法不能很好的对目标特征进行提取。因此大量学者及研究人员将基于深度学习的多目标检测和跟踪算法应用在井下视频监控中,针对以上不足本文提出了联合改进YOLOv5s-GAD和Deep SORT多目标跟踪算法进行井下矿工的跟踪研究。主要工作有:(1)由于煤矿井下存在光线暗淡、湿度大、粉尘含量高等因素使得数据采集和标注变得更为困难,现有的公开数据集如PASCAL VOC和MS COCO无法满足煤矿井下环境的特殊需求。本文使用自定义的井下矿工数据集Miner21,并通过一种自定义饱和度变换模型的去雾算法对该数据集进行图像增强,以缓解摄像机捕获的视频图像昏暗、噪点多等缺点;另外对黄色和细粉尘产生的图像中的彩色遮盖,利用白平衡模糊图像大气光来增强亮度分量。对于小样本数据集本文还采用了随机裁剪、自适应图像缩放和拉伸、Mosaic数据增强等图像增强方式来扩大数据集样本,以确保实验的合理性。(2)本文提出了一种基于YOLOv5s改进的多尺度融合的目标检测算法YOLOv5s-GAD。对预处理的井下矿工数据集Miner21进行实验,首先对比了四种注意力机制模型STN、SENet、ECA-Net、CBAM;接着对幻象瓶颈卷积模块Ghost Conv、深度可分离卷积模块DWConv以及通道注意力模块ECA-Net进行消融实验,验证了各模块融合的有效性;另外通过进行对比实验,YOLOv5s-GAD目标检测准确度AP@0.5为98.2%,FPS为140.2帧/秒,模型的参数量大大减小,训练速度以及准确度都得到了明显地提升。最后通过可视化热力图明确显示了,模型在进行特征提取时所关注的井下矿工位置,验证了改进算法的有效性。(3)针对矿工协同行动出现的人员遮挡问题,本文使用全尺度网络OSNet替换原Deep SORT行人重识别部分的浅层残差网络,用于重识别的全方位特征学习。通过进行对比实验,改进后的Deep SORT算法跟踪准确度比原来提升了2.9%,身份转变次数IDs下降了1161,FPS提升了12帧/秒。最后对井下矿工跟踪越界问题进行两点式越界判别实验,证明对井下危险区域的规避起到一定的辅助作用。本文为井下视频监控的矿工多目标检测与跟踪方法提供一种新的思路,实验结果表明,本文算法能够满足井下矿工多目标跟踪的实时性和准确性需求,研究结论可为煤矿工作安全和矿工行为安全提供参考依据。图[29] 表[7] 参[85]