基于深度学习的多目标跟踪系统的研究与实现.pdfVIP

目录

摘要I

ABSTRACTIII

第一章绪论1

1.1研究背景与意义1

1.2国内外研究现状1

1.2.1目标检测研究现状2

1.2.2目标跟踪研究现状4

1.3主要研究内容6

1.4论文结构安排6

第二章目标检测与目标跟踪理论介绍9

2.1引言9

2.2卷积神经网络9

2.2.1卷积层9

2.2.2激活函数9

2.2.3池化层12

2.2.4全连接层13

2.3目标检测算法13

2.3.1两阶段目标检测算法13

2.3.2一阶段目标检测算法14

2.4目标跟踪相关基础理论15

2.4.1卡尔曼滤波15

2.4.2匈牙利算法16

2.5本章小结17

第三章基于改进YOLOv5的目标检测算法19

3.1引言19

3.2YOLOv5算法介绍19

3.2.1YOLOv5模块介绍19

3.2.2目标框回归和NMS21

3.2.3损失计算22

3.3YOLOv5算法改进23

3.3.1融合SwinTransformer结构23

3.3.2GIoU损失函数25

3.3.3CBAM注意力机制25

3.4实验与分析26

3.4.1数据集26

3.4.2实验环境26

3.4.3评价指标27

3.4.4对比实验27

3.4.5消融实验28

3.4.6实验结果分析29

3.5本章小结30

第四章基于改进DeepSORT目标跟踪算法31

4.1引言31

4.2DeepSORT算法原理31

4.3DeepSORT算法改进32

4.4实验与分析33

4.4.1数据集33

4.4.2评价指标34

4.4.3对比实验35

4.4.4实验结果分析35

4.5本章小结39

第五章多目标跟踪系统设计与实现41

5.1引言41

5.2系统总体设计41

5.2.1系统模块41

5.2.2系统工作流程42

5.2.3系统软硬件平台42

5.3系统测试43

5.3.1系统界面43

5.3.2目标跟踪测试44

5.3.3数据查询测试47

5.3.4跟踪结果保存测试48

5.4本章小结49

第六章总结和展望51

6.1总结51

6.2展望51

参考文献53

在学期间取得的科研成果57

致谢59

摘要

随着机器视觉技术的发展，以多目标跟踪为代表的目标跟踪技术已被广泛应用

于交通控制、无人驾驶等领域。尽管国内外学者已在目标跟踪领域取得了一定的进

展，但是在大量目标以及目标间的模糊等问题上仍存在一定的局限性。基于深度学习

技术的实时目标检测和跟踪技术是当前国际上的一个热点。为了解决多目标跟踪这

一难题，提出了一种多目标跟踪系统。主要研究内容如下：

（1）本文提出了一种改进的YOLOv5目标检测算法，以解决当前主流目标检

测算法在小目标检测方面准确率较低的问题。通过采用GIoU损失函数和融合Swin

Transformer结构，从而提高了小物体检测的性能。同时，引入CBAM注意力机制，

增强了目标检测的效果。本文对该算法进行了消融实验和对比试验。结果表明，改进

的YOLOv5算法能明显改善目标检