基于YOLOv4和DeepSort的车辆检测跟踪方法的研究与应用.pdfVIP

摘要

随着城市不断发展，人口流动频繁，堵车等交通拥挤问题也被逐渐得到重视，发

展智慧交通成为了重中之重。其中车辆的目标检测是实现城市智慧交通的关键技术。

通过对于交通状况复杂的路段进行目标车辆的检测并跟踪，从而可以对相应路段的车

流量数据进行统计分析，但对于如今目标检测算法，还是存在速度缓慢和精确率低等

弊端，对于一些目标也存在漏检等问题。同时，对于检测出来的目标进行实时跟踪也

是必不可少的工作，通过相应的目标跟踪算法与检测算法进行融合，从而达到场景应

用的目的。因此，本文在对于原算法YOLOv4算法存在识别率不高，速度较为缓慢的

前提下，对目标检测算法进行研究改进，并对其与多目标跟踪算法进行融合，提出了

YOLOv4DeepSort

一种基于和的车辆检测跟踪方法，主要工作如下：

对YOLOv4算法进行了改进，将主干网络改进为轻量型的CSPDarknet53-tiny和

GhostModule模块结合的网络结构进行特征提取，形成YOLOv4-Ghost-tiny，提高模

型的运行速度，减少网络的规模大小；将SPPNet替换为ASPPNet，增大网络感受野

并减少模型参数；将注意力机制SENet结构嵌入到其残差结构当中，使其对不同特征

图进行相应的处理，在模型变得更为复杂的同时不丢失关键信息。实验表明，改进

YOLOv4算法可以有效提高对车辆的检测精度等指标。

采用改进后的YOLOv4算法与DeepSort算法进行匹配关联，将目标检测出的上

一帧检测框定位到下一帧，通过使用状态空间描述检测框的位置及其宽高比等信息，

然后再采用马氏距离对目标的卡尔曼滤波预测值和获取到的目标进行关联指标的计

算，并对每个关联的目标进行编号。通过实验表明，将该融合算法与原YOLOv4融合

IDMOTAMOTP

算法相比，减少了跳变等情况，并提升了和指标数值。

基于以上的改进创新与应用工作，实现了改进目标检测算法与跟踪算法的融合，

对比其他算法模型，相关指标都有所提升，并在实际场景下取得了良好的检测跟踪性

能。

YOLOv4DeepSortGhostModuleSPPNet

关键词：深度学习；目标检测；；；；

ABSTRACT

Withthecontinuousdevelopmentofcitiesandfrequentpopulationflow,trafficjams

andothercongestionproblemshavebeengraduallypaidattentionto,andthedevelopment

ofintelligenttransportationhasbecomeatoppriority.Vehicletargetdetectionisthekey

technologytorealizeurbanintelligenttransportation.Throughthedetectionandtrackingof

targetvehiclesontheroadsectionwithcomplextrafficconditions,thetrafficflowdataof

thecorrespondingroadsectioncanbestatisticallyanalyzed.However,forthecurrenttarget

detectionalgorithm,therearestilldisadvantagessuchasslowspeedandlowaccuracy,as

wellasmissingdetectionandotherproblemsforsometargets.Atthesametime,real-time

trackingofthedetectedtar