论文部分内容阅读
随着科技的发展,多目标跟踪已成为热门的研究课题,是机器视觉领域的一个重要研究方向,在军事和民用领域都有着广泛的应用。多目标跟踪的目的为对多个目标物体进行持续跟踪,期间维持同一目标的标签不变化,同时对每个目标在未来帧中的状态进行预测。本文主要针对多目标跟踪算法在目标遮挡情况下存在的跟踪效果不佳的问题进行研究,在现有算法的基础上加以改进,以获得在遮挡情况下的优秀跟踪效果。本文主要研究内容如下:1)本文在Mask R-CNN算法基础上进行改进,提出了面向小目标遮挡的多尺度检测算法。该算法首先将主干网络从Res Net-101网络改为Res Ne Xt-101网络,在不增加复杂度的前提下提高了网络检测精度;其次在传统FPN的基础上添加了一个自下而上的反向连接,提高小目标检测准确性;最后在Mask R-CNN算法中的Ro I Align中加入偏移量,以提高存在遮挡情况下的目标检测准确性。该检测算法在行人数据集MOT15及自摄数据集上进行了实验验证。实验结果证明,本文改进后的检测算法提高了小目标及存在遮挡情况下目标检测的准确性。2)本文在SORT算法基础上进行了改进,提出轨迹修正多目标跟踪算法。算法首先将仅以交并比（IOU）作为基准的匈牙利算法改为以IOU与颜色直方图共同作用的数据关联算法,提高了匹配的准确性;其次针对SORT算法无法解决跟踪过程中出现的目标遮挡问题,提出了轨迹修正算法,减少了遮挡前后的标签切换问题。该跟踪算法在行人数据集MOT16及自摄数据集上进行了实验验证。实验结果证明,本文改进的多目标跟踪算法能够在几乎不牺牲速度的情况下,提高遮挡时的跟踪性能。