基于改進YOLOV7的變規模網絡重疊區域多目標跟蹤方法

摘" 要： 在實際場景中，目標之間常常存在重疊或部分遮擋的情況，若是未進行有效的多目標檢測以及了解變規模網絡重疊區域內的節點狀況，會導致目標跟蹤精度下降。對此，提出一種基于改進YOLOV7的變規模網絡重疊區域多目標跟蹤方法。首先，采用改進YOLOV7對變規模網絡重疊區域多目標進行檢測；然后，在目標檢測的基礎上，對多目標軌跡特征進行提取；最后，基于提取到的多目標軌跡特征，已知目標的速度、方向與距離，實現變規模網絡重疊區域的多目標跟蹤。實驗結果表明，所提方法的跟蹤精準度最高達到98%，曼哈頓距離明顯小于對比方法，僅在0.1～-0.1之間，性能較優，具有實用性。

關鍵詞： 多目標跟蹤； 重疊區域； YOLOV7； 多目標檢測； 軌跡特征提取； 曼哈頓距離

中圖分類號： TN911.23?34； TP391" " " " " " " " " "文獻標識碼： A" " " " " " " " " 文章編號： 1004?373X（2024）12?0057?05

Method of improved YOLOV7 based multitarget tracking for overlapping

regions in variable scale networks

WANG Bo， CHAI Rui

（School of Computer Science and Technology， North University of China， Taiyuan 030051， China）

Abstract： In practical scenarios， there is often overlap or partial occlusion between targets. If effective multitarget detection is not carried out to understand the node status in the overlapping area of the variable scale network， it will lead to a decrease in target tracking accuracy. Therefore， an improved YOLOV7 based multi target tracking method for the overlapping area of the variable scale network is proposed. The improved YOLOV7 is used to detect multiple targets in overlapping areas of the variable scale network. On the basis of target detection， multi target trajectory features are extracted. Multitarget tracking for overlapping areas in the variable scale network is realized based on the extracted multitarget trajectory features， and the given speed， direction， and distance of the targets. The experimental results show that the proposed method has a tracking accuracy of up to 98%， and the Manhattan distance is significantly smaller than that of the comparison method， only between 0.1 and -0.1， which has better performance and practicality.

Keywords： multitarget tracking; overlapping regions; YOLOV7; multitarget detection; trajectory feature extraction; Manhattan distance

0" 引" 言

變規模網絡是指網絡規模在時間和空間上具有動態變化的特點的一種網絡。這種網絡結構可以根據實時需求、資源分配、拓撲結構等因素進行動態調整，以適應不斷變化的環境和需求。隨著人工智能和計算機視覺技術的快速發展，對于高密度目標的準確跟蹤的需求不斷增加[1?3]；且當場景中存在多個目標時，目標之間可能會產生遮擋或重疊現象，傳統方法往往難以準確識別和跟蹤這些目標。而多目標跟蹤算法的準確性和穩定性很大程度上依賴于提取到的數據支撐，如目標的軌跡特征、相似性信息和位置關系等。因此，研究變規模網絡重疊區域多目標跟蹤方法具有重要意義[4?5]。

在廣大科研人員的不懈努力下，越來越多的用于網絡的多目標跟蹤方法被提出。郭嘉等人將緩沖區與三元組損失融合，將原有的固定模板改為動態模板，提升復雜環境下相似度判別的可靠性；然后在模板緩沖區稀疏地緩存目標外觀以應對跟蹤過程中非語義樣本的干擾，增強目標跟蹤的魯棒性；最后應用三元組損失以充分利用目標的正負樣本特征，使跟蹤更加具有判別能力[6]。李輝等人基于流式分析對網絡重疊社區進行識別跟蹤，對網絡中的邊進行流式處理，每次只處理一條邊且每條邊僅被處理一次。根據節點的度、節點對社區的貢獻度以及節點移動前后社區間連邊數量的變化等信息對節點進行劃分[7]。盧錦亮等人研究基于孿生網絡的多目標跟蹤算法，利用重識別特征對跟蹤算法進行改進。針對基于檢測的跟蹤框架設計的FairMOT算法中卡爾曼濾波器存在手工設計關鍵參數的問題，完成目標跟蹤[8]。

在實際場景中，目標之間常常存在重疊或部分遮擋的情況，若是未進行有效的多目標檢測，了解變規模網絡重疊區域內的節點狀況，會導致目標跟蹤精度下降[9]。對此，在以上研究方法的基礎上，提出一種基于改進YOLOV7的變規模網絡重疊區域多目標跟蹤方法。

1" 變規模網絡重疊區域多目標檢測

為了實現高性能的多目標跟蹤，需要獲取到每個目標的位置，了解變規模網絡重疊區域內的節點狀況，從而為后續的跟蹤任務提供關鍵信息，以提高跟蹤效率。YOLOV7算法通過目標檢測任務，能快速高效地識別節點中的多個目標。由于在變規模網絡重疊區域場景中，YOLOV7檢測精度可能相對較低，為了確保實現多目標跟蹤，有效進行網絡重疊區域研究，對YOLOV7算法進行改進，以提高檢測精度。選取效率最高的YOLOV7基礎模型[10?11]加以改進，用于檢測變規模網絡重疊區域中的多個目標，以滿足精度、準確度、速度等各項需求。

YOLOV7基礎模型包含輸入端、骨干網絡和頭部網絡，各部分功能描述如下。

1） 輸入端：利用混合訓練（Mix up）算法[12]處理網絡節點，為權重訓練提供基礎數據。

2） 骨干網絡：該部分由ELAN結構與MP結構組成。前者可豐富網絡節點特征，加強模型魯棒性；后者能縮短特征提取時間。

3） 頭部網絡：該部分由基于跨階段局部網絡[13]的空間金字塔池化結構、金字塔結構及基于VGG16網絡[14]的推理模型組成。三者的作用分別是擴大感受野、保留關鍵特征，檢測小目標特征，加快推理速度，縮短檢測時間。

在變規模網絡重疊區域場景下，不同目標之間的相互遮擋、重疊都會增加檢測的難度，而傳統的損失函數處理重疊問題的效果并不理想。交并比損失函數可以更準確地衡量目標檢測在重疊區域的檢測能力，以區分和定位重疊目標。故從交并比損失函數入手，改進YOLOV7算法，提高檢測性能。為賦予損失函數對實況框與預測框重疊情況的描述能力，在YOLOV7中采用完全交并比損失函數。該函數的長寬比僅表示縱橫比差異，預測框的高和寬在對應梯度內并不與之同步變化，故綜合重疊損失[LIOU]、長寬比損失[Lv]與中心距離損失[Ld]，并引入調節因子[η]，獲取新的損失函數。

假設實況框是[A]，寬、高為[wz]、[hz]，預測框是[B]，寬、高為[w]、[h]，兩框中心各是[bz]、[b]，交并比是[IOUA，B]，最小外接矩形寬、高為[wc]、[hc]，則獲取改進YOLOV7算法的損失函數，以實現變規模網絡重疊區域多目標檢測，其表達式為：

[ψ=η?LIOU+Lv+Ld=η?1-IOUA，B+ρb，bzwchc2+ρw，wzwc2+ρh，hzhc2]" " （1）

式中[ρ·，·]代表兩點間的歐氏距離。

基于上述改進YOLOV7算法實現變規模網絡重疊區域多目標檢測，為后續的多目標跟蹤提供有效幫助。

2" 變規模網絡重疊區域多目標跟蹤

2.1" 多目標軌跡特征提取

在上述變規模網絡重疊區域多目標檢測的基礎上，對多目標軌跡特征進行提取，以進一步輔助目標在重疊區域中的跟蹤。基于上述檢測結果，獲取同一目標的大量軌跡。若目標的軌跡標識是[id]，軌跡上點[pi]的時間戳是[ti]，該時刻目標的經緯度為[Ji]、[Wi]，則點[pi]的界定式為：

[pi=id，ti，Ji，Wi，ψ] （2）

由此推導出軌跡界定式：

[G=p1，p2，…，pn]" （3）

式中，[i]表示點數，[i∈n]。

為了提取出更具代表性和穩定性的目標運動特征，通過以下步驟充分提取多目標軌跡特征。

1） 運動速度判定：基于目標的運動速度預測目標未來的運動路徑，對于目標跟蹤的持續性和準確性非常重要，可為目標的跟蹤和路徑規劃提供依據。目標從點[pi]運動到點[pi-1]的速度通過下式求解：

[vi，i-1=Ji-Ji-1，Wi-Wi-12Gti-ti-1]" （4）

2） 方向判定：通過分析目標在網絡節點中的位置變化，結合上一節點或多節點的軌跡信息，可以計算目標的運動方向，用于識別和分類不同類型的目標行為。基于多層時空切片法，劃分軌跡為多條切片。若[s]條切片的長度均為[l]，則第[j]條的均值點界定式為：

[pj=i=1j·lJi?vi，i-1l，i=1j·lWi?vi，i-1l]" （5）

利用從點[pi]運動到點[pi-1]的速度，獲取該均值點的鄰近點運動向量序列：

[V=Jj+1-Jj?pj，Wj+1-Wj]" "（6）

由此得到各包含[s1]、[s2]條切片的兩條軌跡的運動向量序列[Vs1]、[Vs2]。根據余弦相似性，利用下式解得兩個軌跡的相似度，實現最大化判定方向一致性。

[ξ=Vs1Vs2Vs12Vs22] （7）

3） 特征軌跡提取：根據各均值點間的距離最小值，判定軌跡正確性。通過距離計算實現特征軌跡的提取。[DG1，G2]公式為：

[DG1，G2=JG1-JG2ξ，WG1-WG22] （8）

基于上述流程得到多目標軌跡特征。多目標軌跡特征中包含了目標在時間序列中的速度、方向與距離，這些信息可以幫助變規模網絡更好地理解目標的動態行為和運動模式，以更準確地進行目標的跟蹤預測。

2.2" 多目標跟蹤實現

基于上述提取到的多目標軌跡特征，了解目標的速度、方向與距離，并將其作為多目標跟蹤的數據支撐，實現多目標跟蹤。運行流程各步驟描述如下。

1） 社區檢測可以幫助提供關于變規模網絡中節點之間的相似性或關聯性的信息。這些信息可以應用于變規模網絡重疊區域多目標跟蹤中，用于輔助目標的關聯和匹配。其中，一個網絡節點可以同時屬于多個社區，設定跟蹤目標1，根據其軌跡特征，持續標記其節點的中心方位。

2） 若改進YOLOV7算法檢測到網絡中有新目標2，則節點中心坐標為[Zx2，y2]，判定其與各社區重疊區域的位置關系為：

[Zx2，y2=αx+βylt;0，" 在區域內=0，" 在線上gt;0，" 在區域外] （9）

式中[αx+βy]指區域邊界的直線方程。當目標在區域內時，進入下一步；反之，則賦予其新的標記，跳至最后一步。

3） 設定閾值，獲取重疊社區里各目標[Zxm，ym]到區域邊界的距離，用于確定目標是否在重疊區域以內，以完成目標跟蹤，表達式為：

[RZxm，ym，DG1，G2=S2△ZPFdPF?ψ] （10）

式中，[P]、[F]為區域邊界生成時位于線上的兩個基準點，[dPF]表示兩點間距；[S△ZPF]代表兩基準點與目標交點構成的三角形面積。

3" 實驗分析

3.1" 實驗環境

為了驗證本文所提改進YOLOV7方法的有效性和實用性，分別采用不同規模的人工合成網絡進行對比實驗，并選用文獻[6]方法與文獻[7]方法作為對比方法。采用LRF程序生成人工合成網絡，用以測試算法在不同規模網絡數據集下的目標跟蹤性能，詳細參數如表1所示。其中，[N]表示網絡的節點數；[k]表示網絡的平均度；[on]表示網絡中重疊節點的比例；[μ]表示混淆系數。

3.2" 實驗指標

以目標跟蹤精準度來分析各方法的重疊區域多目標跟蹤性能，表達式為：

[acc=TPTP+FP×100%] （11）

式中：[TP]代表跟蹤成功的目標個數；[FP]代表跟蹤丟失的目標個數。

曼哈頓距離（Manhattan Distance）又稱為[L1]距離，用于衡量目標跟蹤的位置準確性，以評估目標的位置偏差程度。[L1]表達式為：

[L1=x2-x1+y2-y1] （12）

式中：[x1，y1]表示預測目標位置的坐標；[x2，y2]表示實際目標位置的坐標。

3.3" 結果分析

為客觀說明三種方法對重疊區域的多目標跟蹤能力，采用目標跟蹤精準度、曼哈頓距離等指標評估整體性能。

1） 多目標跟蹤測試結果

采用三種對比方法對變規模網絡中重疊區域的多目標進行跟蹤，結果如圖1所示。

根據圖1可以看出：所提方法的多目標跟蹤效果最好，跟蹤結果與實際結果一致；而文獻[6]方法與文獻[7]方法均出現了跟蹤偏差的現象。由此說明，所提方法的多目標跟蹤效果較優。所提方法通過改進YOLOV7算法的可靠檢測與目標軌跡特征的充分提取，能夠成功跟蹤絕大多數的目標。

2） 目標跟蹤精準度測試結果

基于表1中的參數進行目標跟蹤精準度測試，三種方法的跟蹤精準度測試結果如表2所示。

根據表2可以看出，所提方法的跟蹤精準度明顯高于其他兩個對比方法。所提方法的跟蹤精準度最高達到98%，而對比方法的跟蹤精度均低于90%。由此說明，所提方法的跟蹤性能明顯優于對比方法。

3） 曼哈頓距離測試結果

基于表1中的參數進行曼哈頓距離測試，三種方法的曼哈頓距離測試結果如圖2所示。

根據圖2可以看出：所提方法的曼哈頓距離明顯小于對比方法，僅在0.1～-0.1之間；而文獻[6]方法的曼哈頓距離在0.15～-0.2之間，文獻[7]方法的曼哈頓距離在0.25～-0.25之間。由此說明，所提方法性能較優，具有實用性。

4" 結" 論

變規模網絡是指網絡規模在時間和空間上具有動態變化特點的一種網絡。這種網絡結構可以根據實時需求、資源分配、拓撲結構等因素進行動態調整，以適應不斷變化的環境和需求。對此，本文提出一種基于改進YOLOV7的變規模網絡重疊區域多目標跟蹤方法。實驗結果表明，所提方法的跟蹤精準度最高達到98%，曼哈頓距離明顯小于對比方法，僅在0.1～-0.1之間，性能較優，具有實用性。

參考文獻

[1] DINH D L， NGUYEN H N， THAI H T， et al. Towards AI?based traffic counting system with edge computing [J]. Journal of advanced transportation， 2021（Pt.5）： 5551976.1?5551976.15.

[2] 范珍珍，黃小華.微機械傳感器網絡區域重疊節點優化調度方法研究[J].傳感技術學報，2022，35（12）：1707?1711.

[3] KANDASAMY S， MANGAI S. A smart transportation system in VANET based on vehicle geographical tracking and balanced routing protocol [J]. International journal of communication systems， 2021， 34（4）： e4714.1?e4714.13.

[4] KUMAR M， MONDAL S. Recent developments on target tracking problems： A review [J]. Ocean engineering， 2021， 236： 109558.1?109558.20.

[5] WANG J， SONG Y， JIANG H， et al. Prototype development of multi?target tracking system for space multi?node laser communication network [J]. Optik， 2023， 274： 170552.

[6] 郭嘉，王鵬，楊永俠，等.結合緩沖區與三元組損失的孿生網絡目標跟蹤[J].激光與光電子學進展，2021（20）：365?374.

[7] 李輝，張建朋，陳福才.基于流式分析的大規模網絡重疊社區發現算法[J].電子學報，2022，50（8）：1951?1958.

[8] 盧錦亮.基于孿生網絡的多目標跟蹤算法[J].科技創新與應用，2021，11（27）：27?31.

[9] 賽斌，曹自強，譚躍進，等.基于目標跟蹤與軌跡聚類的行人移動數據挖掘方法研究[J].系統工程理論與實踐，2021，41（1）：231?239.

[10] 薛震，張亮亮，劉吉.基于改進YOLOv7的融合圖像多目標檢測方法[J].兵器裝備工程學報，2023，44（6）：166?172.

[11] 王金鵬，周佳良，張躍躍，等.基于優選YOLOv7模型的采摘機器人多姿態火龍果檢測系統[J].農業工程學報，2023，39（8）：276?283.

[12] 張云，化青龍，姜義成，等.基于混合型復數域卷積神經網絡的三維轉動艦船目標識別[J].電子學報，2022，50（5）：1042?1049.

[13] 曹楨淼，吉衛喜，蘇璇，等.基于擴展跨階段局部網絡的表面缺陷檢測[J].計算機集成制造系統，2022，28（8）：2399?2407.

[14] 陳瑞瑞.協同式網絡多尺度重疊區域圖像偏色檢測仿真[J].計算機仿真，2020，37（4）：352?355.