基于机器视觉的运动目标轨迹获取研究与设计-文献详情-维普官网

文献检索

任意字段

文献信息

任意字段
主题词
篇关摘
篇名
关键词
摘要
作者
第一作者
作者单位
刊名
中图分类号
学科分类号
DOI
基金

智能检索

高级检索

检索历史

基于机器视觉的运动目标轨迹获取研究与设计认领

被引量： 1

作者：

马名杰

学位授予单位：

四川师范大学

摘要：

在视频监控领域,基于深度学习的多目标检测与跟踪技术对于实现高效的监视功能至关重要,它能够帮助监控人员迅速识别并准确跟踪监控场景中的多个目标。在嵌入式设备或边缘计算环境下,轻量化的设计理念对于降低系统对计算资源的依赖、提升处理效率以及减少能源消耗具有重大意义。本文根据基于检测追踪算法的原理,设计了一种基于轻量化算法的目标运动轨迹获取系统。通过深入分析与比较基于卷积神经网络的目标检测算法,选择了性能与资源效率平衡优良的YOLOv4-Tiny算法作为研究对象。选用ARM+FPGA架构的PYNQ平台,通过软硬件协同设计的方式实现了对YOLOv4-Tiny目标检测算法的硬件加速。将模型中的32位浮点型数据定点量化为8位,减少了模型参对硬件资源的消耗。同时使用了标准化计算与卷积计算融合的策略,有效降低了模型的运算量。增加了SE注意力机制,用以提升了模型性能。此外,通过PYNQ平台异构结构的优势,实现了对YOLOv4-Tiny算法的硬件加速,对比使用其纯ARM端检测的26.97秒,速度提升了约87倍,达到0.31秒。其次选择StrongSORT目标跟踪算法,并将其与YOLOv4-Tiny目标检测算法相结合,对检测目标跟踪后进行轨迹获取。进一步,通过引入轻量级行人重识别网络OSNet替换Strong SORT算法中的原特征提取网络,在保持特征提取能力的同时缩小了模型尺寸。通过跨多个数据集的身份重识别训练,验证了OSNet的有效性,保证了特征提取能力。优化后的系统在多目标追踪性能评估指标上取得了一定的成效,具体包括56.2%的MOTA、51.9%的IDF1、1609次的身份切换错误,以及13.8Hz的处理速率。这些指标表明系统能有效地跟踪多个目标。针对跟踪目标的轨迹还原,本文提出了一种结合S-G滤波与移动平均滤波的数据处理方法。通过平滑目标运动坐标数据,以最大程度地还原目标在画面中的运动轨迹。强化了系统的轨迹还原能力,显示了优化方案在提升目标跟踪轨迹还原精确度和系统实用性。

摘要译文

关键词：

目标检测; 目标追踪; 硬件加速; YOLO; StrongSORT; 轨迹获取

学位年度：

2024

学位类型：

硕士

学科专业：

电子信息（专业学位）

导师：

麦文

中图分类号：

TP391.41[图形图像识别];TP18[人工智能理论]

学科分类号：

140502[人工智能];081103[系统工程];081104[模式识别与智能系统];081107[建模仿真理论与技术]

D O I：

10.27347/d.cnki.gssdu.2024.000440