基于改进YOLO和DeepSORT的实时多目标跟踪算法

来源：电子测量技术杂志2022年第6期北京时间：

作者：黄凯文，凌六一，王成军，吴起，李学松

单位：1.安徽理工大学 电气与信息工程学院，淮南 232001;2.安徽理工大学 人工智能学院，淮南 232001

摘要：针对基于检测的两步多目标跟踪算法模型结构复杂、实时性差的问题，提出一种基于改进YOLOv4-Tiny和DeepSORT的实时多目标跟踪算法。在YOLOv4-Tiny算法中引入深度可分离卷积，压缩模型计算量；将检测分支增加至3个，并使用多尺度特征融合结构以降低对小目标的漏检率；利用改进的GC注意力模块，加强网络对全局上下文特征的提取能力。跟踪部分使用DeepSORT算法，使用匀加速卡尔曼滤波优化其行人运动模型，利用浅层分类网络重构其外观模型，最后在MOT16测试序列中实验。结果表明，改进算法的总参数量为4.2M，较原算法减少52%且MOTA增加5.2%，GPU下处理时间加快，单CPU时能达到平均每秒11帧的跟踪速度，能满足低算力设备对跟踪任务精度和速度的要求。

关键词：图像处理;多目标跟踪;YOLOv4-Tiny;DeepSORT;深度可分离卷积

基金资助：安徽省高校协同创新项目(GXXT2019-018)；安徽省重点研发计划项目(201904a05020092)