基于深度学习与多级匹配机制的港区人员轨迹提取

来源：交通运输系统工程与信息杂志2023年第4期北京时间：

作者：陈信强, 王美琳, 李朝锋, 杨洋, 梅骁峻, 周亚民

单位：1. 上海海事大学，a. 物流科学与工程研究院，b. 信息工程学院，上海 201306；2. 北京航空航天大学，交通科学与工程学院，北京 100191

摘要：针对港口环境空间布局复杂，集装箱堆场、起重机械、装卸运输设备等复杂背景干扰下港区工作人员难以被准确跟踪的问题，本文面向港口监控视频提出一种基于 Faster-RCNN(FasterRegion Convolutional Neural Networks) 检 测 算 法 和 改 进 Deep SORT(Deep Simple Online andRealtime Tracking)跟踪算法的港区工作人员轨迹提取框架(FRIMDS)。本框架加入自适应高斯降噪和直方图均衡化算法，融合图像增强技术和行人重识别网络(Person Re-identification，ReID)提取港航图像特征信息，以提高港区工作人员轨迹提取的快速性和准确度。通过前置特征提取网络、候选区域建议网络、感兴趣区域池化和全连接层联合输出港区工作人员图像序列检测结果，采用级联匹配和匈牙利算法匹配港区工作人员位置信息，最后利用卡尔曼滤波预测得到港区工作人员运动轨迹。结果显示，本文所提方法在各典型港口场景中面对不同光照变化、低能见度、阴影干扰等挑战均表现出良好的性能，EIDF1 、EIDR 、ERCLL 、EMOTA 指标平均值分别为98％、97％、97％、95％。结论表明，本文提出的FRIMDS框架具有一定的精确性和稳定性，可为自动化码头安全监管提供技术支撑。

关键词：交通工程,自动化码头,Faster-RCNN算法,DeepSORT跟踪算法,港区工作人员轨迹

基金资助：国家自然科学基金(52102397)；中国博士后科学基金(2022M712027)；上海市科学技术委员会重点项目(23010502000)