改進YOLOv5 與DeepSort 的車輛目標檢測跟蹤算法

摘要：針對當前目標車輛因遮擋、天氣等因素造成的漏檢，以及跟蹤過程中車輛身份丟失和變換等現象，本文提出了一種改進的YOLOv5與DeepSort車輛檢測跟蹤算法。在車輛目標檢測部分，本文在YOLOv5網絡中添加了注意力模塊CBAM，以更有效地提取目標特征；同時，引入了SIoU作為邊界框損失函數，不僅提升了邊界框定位的準確性，也加快了邊界框的回歸速度。在車輛跟蹤部分，改進了DeepSort算法，使用擴展卡爾曼濾波器預測非線性環境下的車輛位置，并且使用匈牙利算法將預測軌跡和檢測軌跡進行最優匹配，從而在復雜環境下優化由車輛相互覆蓋引起的漏檢問題。最終，通過改進后的YOLOv5與DeepSort算法進行檢測和跟蹤，并使用UA-DETRAC數據集進行驗證。實驗結果表明：改進后的YOLOv5用于目標追蹤算法后，平均精確度較原算法提高了4%；結合改進后的DeepSort追蹤算法，平均精確度提高至63.6%，比原算法提高了3.6%；車輛目標身份轉換的次數比原算法減少了53次，降低了6.6%。改進后的算法模型在追蹤精確度和實時性上均表現良好。

關鍵詞：YOLOv5；DeepSort；目標檢測；多目標跟蹤；注意力機制

中圖分類號：TP18 文獻標識碼：A

文章編號：1009-3044（2024）19-0001-05

0 引言

近幾年，計算機視覺技術常被用于車輛多目標檢測跟蹤領域[1]，該技術的發展有助于推動智能駕駛車輛和視頻監控等[2-5]相關方向的發展。在多目標跟蹤問題的研究中，解決方案通常分為兩個步驟：目標檢測和目標數據關聯。這兩個步驟共同構成了車輛跟蹤研究中的核心問題，即如何準確地將不同幀中的目標識別為同一目標。現階段多目標跟蹤可分為兩類：一類是將Re-ID（re-identification） 模塊與目標檢測網絡分離的DBT（detection-based tracking） [6]方法；另一類是將Re-ID模塊整合到目標檢測網絡中的JDT（joint detectiontracking） 方法。DBT方法通過兩個獨立的網絡來實現目標檢測和Re-ID，從而提高追蹤的準確性，而JDT方法則在一個統一的網絡中完成這兩個任務，這兩類方法均是基于視覺的目標跟蹤的主流方法。

提升目標跟蹤的推測速率是近年來一個熱門的研究方向。毛昭勇等[7]通過將原有的耗時主干網絡替換為輕量級EfficientNet網絡，不僅加快了推理速度，還通過小目標檢測的網絡設計，縮短了推理時間并提升了效率。這一改進使得YOLOv3在處理速度和檢測準確度上都得到了顯著提高，特別是在小目標檢測方面表現更加優異。武明虎等[8]結合SORT算法，在完善YO?LOv3的損失函數和網絡結構后，其目標檢測可以實現最快14.39 fps 的追蹤速度。Zuraimi 等[9]驗證了YO?LOv3不如YOLOv4網絡，采用YOLOv4作為目標檢測網絡的DeepSort整體上達到了14.12 fps的追蹤速度。

自YOLO算法推出以來，其多個版本在目標檢測與追蹤領域都有著廣泛應用。趙桂平等[10]在YOLOv5 的框架基礎上改良了生成目標邊界框的過程，從而提升了檢測的準確度。Wang等[11]在目標檢測過程中采用了YOLOv5s網絡，而在單目標跟蹤任務中則選用了SiamRPN算法。這兩種算法的結合使得綜合檢測速度達到了20.43 fps。

上述目標檢測算法難以兼顧檢測的精確性和實時性；另外在車輛被遮擋和復雜路況等環境下，解決身份變換問題也是一大挑戰。基于以上情況，本文改進了YOLOv5和DeepSort算法。模型通過增加注意力模塊CBAM來增強特征提取能力，使得模型能夠更加關注關鍵特征，并快速分析復雜場景中的信息。同時，采用SIoU Loss損失函數改進邊界框定位精度，提升了模型訓練時的收斂速度和推理時的準確性。此外，通過應用擴展卡爾曼濾波器改進目標跟蹤算法，有效避免了因遮擋引起的車輛身份變換問題。