针对复杂场景下仅依靠传统的目标检测与跟踪算法进行跟踪时准确度低且速度慢的问题,提出一种基于GhostNet与注意力机制结合的行人检测与跟踪算法。首先,将YOLOv3的主干网络替换为GhostNet,保留多尺度预测部分,利用Ghost模块减少深度网...针对复杂场景下仅依靠传统的目标检测与跟踪算法进行跟踪时准确度低且速度慢的问题,提出一种基于GhostNet与注意力机制结合的行人检测与跟踪算法。首先,将YOLOv3的主干网络替换为GhostNet,保留多尺度预测部分,利用Ghost模块减少深度网络模型参数和计算量,在Ghost模块中融入注意力机制给予重要特征更高的权值。然后,引入目标检测的直接评价指标GIoU来指导回归任务。最后,利用Deep-Sort算法进行跟踪。在公共数据集上实验表明,改进后的模型平均精确度均值(mean Average precision,mAP)达到了92.53%,帧速率是YOLOv3模型的2.5倍;所提算法跟踪准确度优于改进前及其他算法,可以精确有效地跟踪复杂场景下的多目标行人,并具有较强的鲁棒性。展开更多
文摘针对复杂场景下仅依靠传统的目标检测与跟踪算法进行跟踪时准确度低且速度慢的问题,提出一种基于GhostNet与注意力机制结合的行人检测与跟踪算法。首先,将YOLOv3的主干网络替换为GhostNet,保留多尺度预测部分,利用Ghost模块减少深度网络模型参数和计算量,在Ghost模块中融入注意力机制给予重要特征更高的权值。然后,引入目标检测的直接评价指标GIoU来指导回归任务。最后,利用Deep-Sort算法进行跟踪。在公共数据集上实验表明,改进后的模型平均精确度均值(mean Average precision,mAP)达到了92.53%,帧速率是YOLOv3模型的2.5倍;所提算法跟踪准确度优于改进前及其他算法,可以精确有效地跟踪复杂场景下的多目标行人,并具有较强的鲁棒性。
