2024, 65(13):12-15.
摘要:
研究了复杂道路环境下识别模型中的参数量大,以及在遇到遮挡时利用 SORT算法追踪目标时易出现的 ID切换问题。在识别模型上,设计了一款基于 YOLOv5的轻量化模型,使用 MobileNetV3轻量级网络优化原网络结构,以减少模型参数。参数的减少可能会导致模型精度的下降,在特征融合网络的末端加入 CA注意力机制,以提高模型的特征提取能力,并在 Head层将原本 CIOU Loss函数替换为 EIOU Loss函数。在追踪算法上, SORT算法引入马氏距离公式与最小余弦公式,以实现 SORT模型在遇遮挡时保持前后 ID信息一致。结果显示,优化后的 YOLOv5平均精度(mAP50)为 89.3%,与优化前相比,模型平均精度在下降 2.7%的同时,模型参数量减少了 49.4%,大幅降低了模型复杂度。优化后的 SORT算法在遇遮挡时能顺利完成目标的重检测,实现了一致的跟踪 ID。