典型文献
基于视频图像和深度学习的车辆轨迹检测与跟踪
文献摘要：
为保障高速公路车辆安全通行,及时有效地获取车辆运行信息,结合高速公路监控视频,利用优化后的YOLOv5目标检测算法和Deep Sort多目标追踪算法进行车辆轨迹检测与跟踪,实时监测车辆运行状态,识别异常驾驶行为.首先,基于高速公路监控视频,构建车辆检测数据库,由于自建数据库中各类别车型数量相差较大,影响检测精度,因此在模型的输入段提出Class-Weighted Mosaic数据增强方法,提高模型对于各种车型的检测能力.其次,针对原始YOLOv5模型中,网络结构设计冗余的问题,设计一种高效的CG3瓶颈层结构替换原有的CSP结构,在不影响精度的情况下,提高网络运行效率.为提高特征提取能力同时具有较高的检测效率,轻量的ECA(Efficient Channel Attention)注意力模块添加到模型中,让模型关注更重要的区域;然后,针对Deep Sort追踪算法在车辆遮挡情况下精度较差的情况,采用Resnet18作为其车辆外观特征提取网络,损失函数替换为三元损失函数,提高追踪算法精度.最后,利用高速公路监控视频对所提出的算法进行评估.经过试验得出:优化后的算法得出的车辆检测精度由92.8％提高到了96.3％,精度提高了3.5％,能够有效缓解类别不均衡给网络训练带来的不利影响,并且检测速度达到25～35 fps,达到车辆实时监测的要求,在车辆追踪过程中,能够有效的克服车辆遮挡问题.
文献关键词：
智能交通;车辆检测跟踪;图像处理;YOLOv5优化;Deep Sort优化
中图分类号：
作者姓名：
李志坚;郭玉彬;赵建东
作者机构：
中交建冀交高速公路投资发展有限公司,河北 石家庄 050000;北京交通大学 交通运输学院,北京 100044
文献出处：
引用格式：
[1]李志坚;郭玉彬;赵建东-.基于视频图像和深度学习的车辆轨迹检测与跟踪)[J].公路交通科技,2022(12):149-154
A类：
车辆检测跟踪
B类：
视频图像,车辆轨迹,轨迹检测,高速公路,车辆安全,安全通行,监控视频,YOLOv5,目标检测算法,Deep,Sort,多目标追踪,追踪算法,车辆运行状态,异常驾驶行为,检测数据,自建数据库,车型,检测精度,Class,Weighted,Mosaic,数据增强,增强方法,检测能力,网络结构设计,CG3,瓶颈层,CSP,特征提取能力,检测效率,ECA,Efficient,Channel,Attention,注意力模块,车辆遮挡,Resnet18,外观特征,特征提取网络,三元损失函数,类别不均衡,网络训练,检测速度,fps,遮挡问题,智能交通
AB值：
0.411367
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
