無人機(jī)視角下的多車輛跟蹤算法研究

胡碩，王潔，孫妍，周思恩，姚美玉

（燕山大學(xué) 電氣工程學(xué)院，河北 秦皇島 066004）

多目標(biāo)跟蹤在現(xiàn)實(shí)生活中有很多應(yīng)用，例如視頻監(jiān)控、人機(jī)交互、智慧交通系統(tǒng)等[1-2]，已經(jīng)成為了計(jì)算機(jī)視覺領(lǐng)域內(nèi)不可或缺的研究課題。在智能交通系統(tǒng)中，車輛檢測技術(shù)和跟蹤算法為路況監(jiān)測和行駛安全行為等高級(jí)任務(wù)提供技術(shù)支持。無人機(jī)具有體積小、飛行靈活等優(yōu)點(diǎn)[3]，若將其用于對(duì)道路交通進(jìn)行輔助監(jiān)控，若將其應(yīng)用于輔助監(jiān)控道路交通中的安全行為，可以有效地監(jiān)控固定攝像機(jī)無法拍攝到的盲區(qū)范圍，從而對(duì)實(shí)時(shí)路況中的車輛進(jìn)行全方位的檢測和跟蹤。

對(duì)于目標(biāo)檢測，早期的算法注重檢測精度但檢測速度較慢，典型的算法有R-CNN[4]、Fast RCNN[5]、Faster R-CNN[6]、Mask R-CNN[7]等。為了提升檢測速度，一系列基于回歸的單階段檢測算法相繼被提出，如YOLO系列[8-10]、SSD[11]系列等。此外，Tian 等[12]通過使用一種雙神經(jīng)網(wǎng)絡(luò)目標(biāo)檢測方法對(duì)目標(biāo)區(qū)域的二次特征進(jìn)行分類，快速篩選出一階段檢測中遺漏的目標(biāo)，從而實(shí)現(xiàn)對(duì)小目標(biāo)的高質(zhì)量檢測。Wu 等[13]提出了一種基于光流和深度卷積網(wǎng)絡(luò)的無人機(jī)快速人體檢測系統(tǒng)。Tijtgat 等[14]提出一種新的多分支并行特征金字塔網(wǎng)絡(luò)來提升對(duì)無人機(jī)圖像中小目標(biāo)的檢測性能。Liu 等[15]提出一個(gè)集成網(wǎng)絡(luò)SyNet 將單階段和多階段檢測算法相結(jié)合從而實(shí)現(xiàn)對(duì)無人機(jī)圖像的檢測。

基于深度學(xué)習(xí)的跟蹤算法在速度和精度兩方面得到雙重提升，行人重識(shí)別(person re-identification,RelD)技術(shù)[16-17]的引入在一定程度推動(dòng)其發(fā)展，其模型均為基于檢測的跟蹤方法。Sort 算法[18]利用卡爾曼濾波器預(yù)測目標(biāo)狀態(tài)和匈牙利算法計(jì)算相似度從而實(shí)現(xiàn)預(yù)測軌跡與檢測目標(biāo)的數(shù)據(jù)關(guān)聯(lián)。DeepSort 算法[19]結(jié)構(gòu)是檢測和匹配兩個(gè)獨(dú)立過程，采用兩個(gè)不同網(wǎng)絡(luò)提取特征，引入ReID 特征與運(yùn)動(dòng)信息計(jì)算相似度矩陣，數(shù)據(jù)關(guān)聯(lián)采用級(jí)聯(lián)匹配和IoU(intersection over union ratio)匹配相結(jié)合方式。Bewley 等[20]針對(duì)無人機(jī)長時(shí)跟蹤中的遮擋問題提出了一種基于局部特征匹配和密度聚類的跟蹤算法。Xue 等[21]對(duì)DCF 跟蹤算法進(jìn)行了改進(jìn)，提出了一個(gè)新的無人機(jī)視頻語義感知實(shí)時(shí)相關(guān)跟蹤框架。Li 等[22]研究了無人機(jī)場景下進(jìn)行實(shí)時(shí)跟蹤的限制因素，提出了一種利用背景線索和畸變響應(yīng)抑制機(jī)制進(jìn)行跟蹤的方法。Yu 等[23]提出了一種針對(duì)無人機(jī)視頻的基于個(gè)體和全局運(yùn)動(dòng)融合的條件生成對(duì)抗網(wǎng)絡(luò)(generative adversarial networks,GAN)跟蹤算法。當(dāng)前的研究更多的注意力在于提高算法準(zhǔn)確率，但是隨著深度網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，導(dǎo)致了模型參數(shù)量和計(jì)算量增加，雖然提升了精度但是也極大的犧牲了速度。

在無人機(jī)視角下拍攝的監(jiān)控畫面進(jìn)行目標(biāo)跟蹤存在以下難點(diǎn)：1)無人機(jī)視角下車輛整體偏小且目標(biāo)密集，無人機(jī)飛行靈活，在拍攝視頻中易出現(xiàn)目標(biāo)模糊和快速移動(dòng)等問題；2)同一類別車輛僅有車型和顏色之分，俯視角度下極易造成相似車輛干擾。

本文以無人機(jī)拍攝的視頻作為研究對(duì)象，提出一種基于無人機(jī)交通視頻的多車輛跟蹤算法。針對(duì)實(shí)時(shí)性要求，提出了一種改進(jìn)YOLOv3 的車輛檢測算法；為提高跟蹤系統(tǒng)的特征表達(dá)能力，提出一種基于度量學(xué)習(xí)的特征提取網(wǎng)絡(luò)Resi-8；在該算法中，卡爾曼濾波器用于預(yù)測車輛的狀態(tài)，相鄰幀的相似性矩陣由運(yùn)動(dòng)信息相似度和外觀特征相似度相結(jié)合方式計(jì)算，通過匈牙利算法實(shí)現(xiàn)相鄰幀之間的數(shù)據(jù)關(guān)聯(lián)，進(jìn)而實(shí)現(xiàn)多目標(biāo)的精準(zhǔn)穩(wěn)定跟蹤。

1 多車輛跟蹤算法

本文算法包含2 個(gè)部分：檢測模塊和跟蹤模塊。在檢測模塊，針對(duì)無人機(jī)視頻的車輛檢測特點(diǎn)，本文提出了一種改進(jìn)YOLOv3 的目標(biāo)檢測網(wǎng)絡(luò)YOMOv3-CIoU；在跟蹤模塊，本文提出一種基于度量學(xué)習(xí)的特征提取網(wǎng)絡(luò)Resi-8，以提高系統(tǒng)的特征表達(dá)能力。

1.1 基于改進(jìn)YOLOv3 的車輛檢測

YOLOv3 算法作為一個(gè)基于回歸的單階段檢測算法，在檢測精度上有著優(yōu)異的表現(xiàn)。為使其進(jìn)一步適用于無人機(jī)拍攝視頻中的車輛檢測，提出以下幾點(diǎn)改進(jìn)策略。

1.1.1 先驗(yàn)框聚類算法

YOLOv3 算法在聚類先驗(yàn)框時(shí)使用的是kmeans 算法[24]，該算法是采用隨機(jī)地選取k個(gè)聚類點(diǎn)作為初始聚類中心的策略,初始聚類中心的選取會(huì)對(duì)于聚類結(jié)果具有較大的影響。為了應(yīng)對(duì)初始點(diǎn)敏感的問題，我們引入k-means++算法[25]完成先驗(yàn)框的聚類。

采用控制變量法，將k-means 和k-means++兩種算法聚類出的anchor box 分別用于同一檢測算法YOLOv3，在數(shù)據(jù)集上分別對(duì)模型進(jìn)行訓(xùn)練，實(shí)驗(yàn)結(jié)果如表1 所示。通過k-means++算法得到的先驗(yàn)框(anchor box)在車輛檢測算法中獲得更高的檢測結(jié)果，召回率、mAP(mean average precision)和F1分?jǐn)?shù)均得到顯著提升。

1.1.2 網(wǎng)絡(luò)結(jié)構(gòu)的改進(jìn)

視頻序列下的車輛所處的環(huán)境相對(duì)是固定的，通常位于停車場或道路上，檢測類別單一，同時(shí)算法應(yīng)盡可能滿足實(shí)時(shí)性要求。為了達(dá)到上述目的，需要考慮模型的計(jì)算量和網(wǎng)絡(luò)的參數(shù)量，盡可能的降低復(fù)雜度進(jìn)而滿足實(shí)時(shí)性需求，于是選擇輕量級(jí)網(wǎng)絡(luò)MobileNetv3[26]作為YOLOv3 的特征提取網(wǎng)絡(luò)，本網(wǎng)絡(luò)結(jié)合通道注意力模塊，逆殘差模塊和深度可分離卷積結(jié)構(gòu)，具體結(jié)構(gòu)細(xì)節(jié)如圖1 所示。

圖1 MobileNetv3 模塊Fig.1 MobileNetv3 Module

1.1.3 損失函數(shù)優(yōu)化

IoU 通常是衡量預(yù)測框與真實(shí)框的交并比，其作為評(píng)價(jià)標(biāo)準(zhǔn)具有尺度不變性特點(diǎn)，基于IoU的損失函數(shù)[27]被定義為

式中：R(b,bgt)是添加的懲罰項(xiàng)，b是預(yù)測框中心點(diǎn)，bgt是目標(biāo)框中心點(diǎn)。但是當(dāng)兩個(gè)框并沒有重合時(shí)，本損失函數(shù)無法確定預(yù)測框的位置信息，并不能有效表達(dá)預(yù)測框和目標(biāo)框的位置信息。

綜上損失函數(shù)分析，本文引入CIoU Loss[26]作為本文算法的邊框回歸損失函數(shù)。CIoU 損失函數(shù)克服上述損失函數(shù)的缺點(diǎn)，引入兩個(gè)懲罰項(xiàng)如式(1)所示，第1 項(xiàng)中c表示包含兩個(gè)框最小矩形區(qū)域的對(duì)角線距離，ρ(·) 表示兩個(gè)中心點(diǎn)的歐式距離；第2 項(xiàng)是考慮到形狀的差異，即引入寬高比，通過式(2) 計(jì)算參數(shù)v，a是平衡參數(shù)，由式(3)進(jìn)行計(jì)算。

CIoU Loss 可以定義為

參數(shù)v在反向傳播時(shí)的梯度由式(4)計(jì)算，為避免訓(xùn)練時(shí)發(fā)生梯度爆炸，一般將1/(w2+h2) 用1 代替計(jì)算。

1.2 基于深度度量學(xué)習(xí)的多車輛跟蹤

現(xiàn)有的多目標(biāo)跟蹤算法，無法有效地適用于無人機(jī)視角下的車輛檢測，交通視頻中目標(biāo)尺寸偏小且相似度高，在車輛跟蹤中精度無法得到保證。因此我們在1.1 節(jié)提出的目標(biāo)檢測算法的基礎(chǔ)上，提出一種基于深度度量學(xué)習(xí)的多車輛跟蹤算法。

1.2.1 運(yùn)動(dòng)特征相似度

馬氏距離是計(jì)算兩種未知樣本之間相似度的一種方法，它區(qū)別于歐氏距離更加考慮各種特性之間的聯(lián)系，有效的解決維度尺度相關(guān)且不一致的問題，本文將其用來度量預(yù)測狀態(tài)與當(dāng)前幀的檢測距離，計(jì)算如式(5)所示。

式中：dj表示第j個(gè)預(yù)測框?qū)?yīng)的位置狀態(tài)(u,v,γ,h)，yi表示第i個(gè)跟蹤軌跡的預(yù)測位置，Si是由卡爾曼濾波預(yù)測此刻位置的協(xié)方差矩陣。

在計(jì)算馬氏距離時(shí)通過添加一個(gè)門控函數(shù)，使用卡方分布0.95 作為置信度，t(1)=9.487 7，可以有效剔除不合適的數(shù)據(jù)關(guān)聯(lián)，具體表達(dá)式如式(6)，當(dāng)馬氏距離低于t(1)數(shù)值時(shí)，表示匹配成功。

式中：[]中是條件，滿足條件則保留該軌跡，即匹配成功。

1.2.2 外觀特征相似度

在路況復(fù)雜的環(huán)境下，檢測跟蹤目標(biāo)車輛只用運(yùn)動(dòng)特征相似度進(jìn)行判斷會(huì)導(dǎo)致跟蹤算法的ID 跳變嚴(yán)重，我們通過使用運(yùn)動(dòng)特征和外觀特征共同加權(quán)計(jì)算相似度矩陣的方式來避免因檢測跟蹤復(fù)雜環(huán)境造成問題，即

如式(9)所示，將運(yùn)動(dòng)特征相似度和外觀特征相似度作為綜合相似性矩陣C=[ci,j]，添加門控函數(shù)如式(10)所示，只有當(dāng)bi,j=1 時(shí)為匹配成功。

1.2.3 基于度量學(xué)習(xí)的外觀特征提取

度量學(xué)習(xí)[28](metric learning)即相似度學(xué)習(xí)。兩個(gè)樣本數(shù)據(jù)之間的深度度量學(xué)習(xí)的歐氏距離可以表達(dá)為

深度度量學(xué)習(xí)中關(guān)鍵的一環(huán)是損失函數(shù)。本文將使用Triplet Loss[29]損失函數(shù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練，將其稱為Triplet Network。Triplet Loss 具體表達(dá)如圖2 所示。該損失函數(shù)旨在通過訓(xùn)練拉近正樣

圖2 Triplet Loss 示意圖Fig.2 Triplet Loss Schematic diagram

本，遠(yuǎn)離負(fù)樣本，計(jì)算相似度損失，表示為式(11)。

式中：f(·) 表示卷積神經(jīng)網(wǎng)絡(luò)操作，α為邊界閾值。Triplet Loss 表達(dá)式如式(12)，其中“[·]+”表示當(dāng)數(shù)值大于零的常數(shù)時(shí)，優(yōu)化錨樣本與正樣本距離，遠(yuǎn)離與負(fù)樣本距離，否則不需要優(yōu)化：

1.3 多車輛跟蹤算法整體框架

本文算法整體跟蹤框圖如圖3 所示，具體流程如下：

圖3 本文算法整體流程Fig.3 Flow of the algorithm

1) 目標(biāo)檢測網(wǎng)絡(luò)YOMOv3-CIoU 對(duì)圖像幀進(jìn)行車輛檢測，獲取車輛位置信息dj。

2) 車輛狀態(tài)是包括目標(biāo)候選框坐標(biāo)信息和相應(yīng)速度信息的8 維向量。利用卡爾曼濾波預(yù)測前一幀中車輛軌跡的狀態(tài)，得到當(dāng)前幀中車輛坐標(biāo)信息yi。

3) 通過公式(5) 計(jì)算車輛運(yùn)動(dòng)特征相似度Cm，采用平方馬氏距離來度量預(yù)測狀態(tài)與當(dāng)前幀的檢測距離。

4) 對(duì)上述檢測得到的車輛圖像通過度量學(xué)習(xí)網(wǎng)絡(luò)Resi-8 提取外觀特征rj；將距離最近Lk=100個(gè)跟蹤軌跡存放在外觀描述集合Rk中。

5) 計(jì)算車輛外觀特征相似度矩陣Cn，通過式(7)計(jì)算rj和之間的最小余弦距離為Cn。

6) 計(jì)算綜合相似度矩陣Cmn，利用式(9)得到Cm和Cn的線性加權(quán)結(jié)果作為Cmn。

7) 使用匈牙利算法實(shí)現(xiàn)前后幀之間的數(shù)據(jù)關(guān)聯(lián)，并分配相應(yīng)的ID。

8) 利用匈牙利算法匹配程度判斷是否參數(shù)更新。對(duì)于運(yùn)動(dòng)軌跡和目標(biāo)檢測匹配一致，則更新卡爾曼濾波器的參數(shù)；若沒有對(duì)應(yīng)的軌跡，則不更新參數(shù)但繼續(xù)在70 幀之內(nèi)對(duì)軌跡進(jìn)行匹配，否則刪除該軌跡；若沒有匹配的檢測結(jié)果，將其作為新目標(biāo)分配新軌跡。

9) 重復(fù)上述過程，完成整個(gè)序列的檢測跟蹤。

本文引入運(yùn)動(dòng)特征和外觀特征共同決定相似性矩陣，有效的解決在跟蹤遮擋等復(fù)雜環(huán)境下造成的ID 跳變等問題，算法魯棒性更強(qiáng)。

2 實(shí)驗(yàn)結(jié)果分析

為了驗(yàn)證本文算法性能，本文進(jìn)行了實(shí)驗(yàn)并對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行了分析。使用Python 作為編程語言，深度學(xué)習(xí)框架基于Pytorch0.4.0，實(shí)驗(yàn)環(huán)境如表2：

表2 實(shí)驗(yàn)平臺(tái)參數(shù)Table 2 Experimental platform parameters

2.1 車輛檢測算法對(duì)比實(shí)驗(yàn)

將1.1 中僅修改特征提取網(wǎng)絡(luò)后的模型記為YOMOv3，將在YOMOv3 基礎(chǔ)上修改損失函數(shù)為CIoU Loss 的檢測模型記為YOMOv3-CIoU。

本節(jié)車輛檢測實(shí)驗(yàn)所使用的數(shù)據(jù)集為Vis-Drone2019[31]。將其中4 種類別車輛的數(shù)據(jù)集稱為Vis-4。

2.1.1 模型參數(shù)量對(duì)比

表3 中對(duì)YOLOv3-tiny、YOLOv3 和YOMOv3，3 個(gè)模型進(jìn)行參數(shù)量統(tǒng)計(jì)，Mobilenetv3 網(wǎng)絡(luò)由于引入深度可分離卷積在一定程度上減少參數(shù)量，僅為Darknet-53 的2/5，有效地減小了網(wǎng)絡(luò)的計(jì)算復(fù)雜度，為檢測速度的實(shí)時(shí)性提供了可能。

表3 不同模型參數(shù)量對(duì)比Table 3 Comparison of the number of different model parameters

2.1.2 閾值選擇對(duì)比實(shí)驗(yàn)

在網(wǎng)絡(luò)檢測層輸出結(jié)果中會(huì)存在多個(gè)預(yù)測框，為篩選最終合適的目標(biāo)框，我們通過引入非極大值抑制[32](non-maximum suppression,NMS)方法進(jìn)行篩選。本節(jié)通過選擇不同的NMS 閾值來判斷對(duì)模型結(jié)果的影響，在實(shí)驗(yàn)中通常將mAP 作為閾值選擇標(biāo)準(zhǔn)，實(shí)驗(yàn)對(duì)比結(jié)果如表4 所示。

表4 閾值選擇對(duì)比結(jié)果Table 4 Threshold selection comparison results

在實(shí)驗(yàn)結(jié)果中，當(dāng)閾值為0.5 時(shí)，mAP 達(dá)到了53.5%，在對(duì)比實(shí)驗(yàn)中結(jié)果最高，因此將閾值設(shè)為0.5。

2.1.3 優(yōu)化后的檢測算法實(shí)驗(yàn)結(jié)果對(duì)比

表5 為進(jìn)行不同模型的檢測結(jié)果，YOLOv3 算法是4 種算法里檢測精度最高的一個(gè)，但YOLOv3算法參數(shù)量多且復(fù)雜程度高，速度僅為21 f/s，對(duì)于實(shí)時(shí)性要求有待提高；YOLOv3-tiny 的mAP只有29.6%，但其速度達(dá)到了188 f/s，屬于典型的犧牲檢測精度換取檢測速度的模型，對(duì)于精度要求高的情況無法滿足。本文所提出的YOMOv3算法通過輕量化特征提取網(wǎng)絡(luò)，在保證檢測精度的情況下檢測速度達(dá)到 31 f/s；經(jīng)過損失函數(shù)優(yōu)化后，mAP 提升0.9%。

表5 不同模型檢測結(jié)果對(duì)比Table 5 Comparison of testing results of different models

表6 是檢測算法YOMOv3 以及損失函數(shù)優(yōu)化后算法YOMOv3-CIoU 與各項(xiàng)檢測算法的實(shí)驗(yàn)對(duì)比結(jié)果。本文所提的兩個(gè)算法作為一階段檢測算法，在精度相當(dāng)?shù)那闆r下，速度上提高了近兩倍。

表6 YOMOv3 與其他檢測算法性能對(duì)比Table 6 Performance comparison between YOMOv3 and other detection algorithms

2.1.4 實(shí)際場景下的檢測結(jié)果

我們在Vis-4 數(shù)據(jù)集中選取幾個(gè)較為典型的圖像序列進(jìn)行檢測結(jié)果對(duì)比，可以有效直觀的分析跟蹤效果。圖4 是本文算法在夜間情況下實(shí)驗(yàn)結(jié)果。從圖4 可知，YOLOv3-tiny 中出現(xiàn)漏檢和誤檢的情況，YOMOv3-CIoU 成功將其檢測出且置信度較高。圖5 是模糊情況下對(duì)車輛檢測的效果，以下檢測算法均在一定程度上對(duì)車輛出現(xiàn)漏檢誤檢的情況，YOLOv3-tiny 和YOLOv3 算法均出現(xiàn)漏檢和誤檢情況，且定位出現(xiàn)漂移現(xiàn)象，抗遮擋能力差；本文所提出的算法YOMOv3 和YOMOv3-CIoU 沒有出現(xiàn)誤檢情況且定位精準(zhǔn)。

圖4 夜間情況檢測結(jié)果Fig.4 Detection results of nocturnal environment

圖5 模糊情況下的檢測結(jié)果Fig.5 Detection results in the case of fuzziness

2.2 多車輛跟蹤算法實(shí)驗(yàn)

為有效證明提出的跟蹤算法進(jìn)行評(píng)估，在數(shù)據(jù)集中選擇6 個(gè)具有代表性的視頻序列進(jìn)行分析。從表7 中可以看出對(duì)于不同的視頻序列，本文所提車輛跟蹤算法的MOTP (multiple object tracking precision) 的值均在54% 左右，MOTA(multiple object tracking accuracy)均值為62.0%，在所有視頻序列中最高達(dá)到了71.8%，最低也保持在58.7%。MOTA 是衡量確定目標(biāo)數(shù)目、相關(guān)屬性準(zhǔn)確度以及定位誤差累計(jì)的指標(biāo)。MOTP 主要體現(xiàn)在確定目標(biāo)定位上的精確度，比如預(yù)測框的定位。這兩個(gè)數(shù)值越大則跟蹤算法越好。二者共同衡量算法連續(xù)跟蹤目標(biāo)的能力。實(shí)驗(yàn)數(shù)據(jù)表明本文算法的有效性。

表7 多車輛跟蹤算法實(shí)驗(yàn)結(jié)果Table 7 Experimental results of multi-vehicle tracking algorithm

在6 個(gè)視頻序列中將本文算法與Sort 和Deep-Sort 算法進(jìn)行性能評(píng)測，對(duì)比結(jié)果如表8 所示。在Sort 算法的對(duì)比下，本文算法的ID 大幅度降低，有效證明算法中引入深度度量學(xué)習(xí)的特征實(shí)現(xiàn)相似性度量具有更好的判別效果。與Deep-Sort 算法相比，實(shí)時(shí)性得到更好的滿足，提升到17 f/s。綜上，本文多車輛跟蹤算法有效改善目標(biāo)ID 跳變問題，速度上滿足實(shí)時(shí)性。

表8 不同跟蹤算法實(shí)驗(yàn)對(duì)比結(jié)果Table 8 Experimental comparison of different tracking algorithms

我們在視頻序列測試了不同影響因素下的車輛跟蹤。圖6 中主要是針對(duì)車輛之間的局部或全部遮擋情況，且目標(biāo)外觀相似，對(duì)車輛跟蹤有直接的干擾；圖7 中出現(xiàn)了外部遮擋，路燈對(duì)車輛進(jìn)行了遮擋。本算法中使用基于度量學(xué)習(xí)提取車輛外觀特征和運(yùn)動(dòng)特征共同計(jì)算相似度矩陣，使用級(jí)聯(lián)匹配策略將目標(biāo)軌跡進(jìn)行關(guān)聯(lián)，保證目標(biāo)ID不發(fā)生跳變和車輛跟蹤的穩(wěn)定性；圖8 中是車輛發(fā)生不同尺度下測試效果，本算法對(duì)網(wǎng)絡(luò)的3 個(gè)檢測層輸出特征圖進(jìn)行融合以及引入k-means++完成先驗(yàn)框的聚類，可以很好地應(yīng)對(duì)尺度變化問題，算法依然保持穩(wěn)定的跟蹤和相同的ID。

圖6 車輛間遮擋Fig.6 Occlusion of a vehicle

圖7 外部遮擋Fig.7 External occlusion

圖8 尺度變化Fig.8 Scale change

3 結(jié)束語

為有效適用于無人機(jī)視角下車輛視頻的檢測與跟蹤，本文提出了一種改進(jìn)YOLOv3 的車輛檢測算法，通過k-means++算法聚類出合適的候選框，采用MobileNetV3 網(wǎng)絡(luò)作為算法中的特征提取網(wǎng)絡(luò)；選擇CIoU Loss 作為預(yù)測框的損失函數(shù)，有效得到預(yù)測框與真實(shí)框之間的位置信息；針對(duì)車輛跟蹤過程中ID 易跳變的問題，和進(jìn)一步提升對(duì)車輛目標(biāo)的特征表達(dá)，本文提出了一種基于深度度量學(xué)習(xí)的多車輛跟蹤算法，將運(yùn)動(dòng)信息和外觀信息相結(jié)合確定相似性矩陣，通過匈牙利算法實(shí)現(xiàn)數(shù)據(jù)關(guān)聯(lián)。實(shí)驗(yàn)結(jié)果表明，本文所提車輛跟蹤算法改善了ID 跳變問題，在保證跟蹤精度的前提下提升了跟蹤速度，達(dá)到17 f/s。