YOLOv5与Deep-SORT联合优化的无人机多目标跟踪算法

摘要：

针对无人机平台下小目标检测性能差、目标尺度变化较大、复杂背景干扰等导致跟踪失败的问题,该文提出一种联合优化检测器YOLOv5(You Only Look Once)和Deep-SORT(Simple Online and Realtime Tracking with a Deep Association Metric)的无人机多目标跟踪算法.该算法使用改进的CSPDarknet53(Cross Stage Paritial Darknet53)骨干网络重新构建检测器中的特征提取模块,同时通过自顶向下和自底向上的双向融合网络设计小目标检测层,采用无人机航拍数据集训练更新优化后的目标检测网络模型,解决小目标检测性能差问题;在跟踪模块中,提出结合时空注意力模块的残差网络作为特征提取网络,加强网络感知微小外观特征及抗干扰的能力,最后采用三元组损失函数加强神经网络区分类内差异的能力.实验结果表明,优化后的目标检测的平均检测精度相比于原始YOLOv5提升了11％,在UAVDT数据集上相较于原始跟踪算法准确率与精度分别提高了13.288％、3.968％,有效减少目标身份切换频次.

关键词：深度学习、目标跟踪、目标检测、无人机

所属期刊栏目：38

分类号：TP391(计算技术、计算机技术)

资助基金：福建省自然科学基金项目2019J01055

在线出版日期：2023-03-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：2628-2638