【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及一種計(jì)算機(jī)視覺(jué)和目標(biāo)檢測(cè)領(lǐng)域，特別涉及一種基于yolov5s與deepsort網(wǎng)絡(luò)的水面目標(biāo)檢測(cè)跟蹤方法。
技術(shù)介紹
1、在現(xiàn)代環(huán)境監(jiān)測(cè)、海洋安全和水面作業(yè)等應(yīng)用中，水面目標(biāo)的檢測(cè)與跟蹤是一項(xiàng)重要且挑戰(zhàn)性的任務(wù)。水面環(huán)境具有動(dòng)態(tài)變化的特性，如波浪、反射以及目標(biāo)的移動(dòng)，這些因素使得目標(biāo)檢測(cè)和跟蹤變得復(fù)雜且困難。
2、傳統(tǒng)的目標(biāo)檢測(cè)技術(shù)，如基于經(jīng)典機(jī)器學(xué)習(xí)的方法，通常在處理水面目標(biāo)時(shí)表現(xiàn)不佳。這些方法往往依賴于手工設(shè)計(jì)的特征，難以適應(yīng)水面復(fù)雜的視覺(jué)特征和光照變化。隨著深度學(xué)習(xí)技術(shù)的發(fā)展，yolo(you?only?look?once)系列目標(biāo)檢測(cè)算法在圖像識(shí)別領(lǐng)域取得了顯著進(jìn)展。特別是yolov5s，作為yolo系列的一個(gè)高效版本，具有較高的檢測(cè)精度和處理速度，能夠在復(fù)雜環(huán)境下進(jìn)行實(shí)時(shí)目標(biāo)檢測(cè)。
3、然而，僅有高精度的目標(biāo)檢測(cè)還不足以滿足實(shí)際應(yīng)用中的需求。為了實(shí)現(xiàn)對(duì)目標(biāo)的持續(xù)跟蹤，通常需要將目標(biāo)檢測(cè)與跟蹤算法相結(jié)合。deepsort(simple?online?andrealtime?tracking?with?a?deep?association?metric)是一種先進(jìn)的目標(biāo)跟蹤算法，它通過(guò)結(jié)合檢測(cè)結(jié)果和目標(biāo)外觀特征，實(shí)現(xiàn)對(duì)目標(biāo)的穩(wěn)定跟蹤。deepsort能夠處理目標(biāo)的遮擋和重新出現(xiàn)問(wèn)題，但其性能在水面這種動(dòng)態(tài)環(huán)境中仍面臨挑戰(zhàn)。
4、現(xiàn)有技術(shù)中，雖然已有一些研究嘗試將yolo系列算法與目標(biāo)跟蹤方法結(jié)合，但在水面復(fù)雜環(huán)境下，如何有效地結(jié)合yolov5s與deepsort，以提高目標(biāo)
5、現(xiàn)有技術(shù)主要用于陸上環(huán)境，而水面環(huán)境較復(fù)雜，數(shù)據(jù)集的采集更加困難。傳統(tǒng)目標(biāo)檢測(cè)算法在水面這種具有高度動(dòng)態(tài)特性的環(huán)境中，因背景復(fù)雜或光照變化導(dǎo)致目標(biāo)檢測(cè)精度低。現(xiàn)有跟蹤方法在目標(biāo)快速移動(dòng)或被遮擋時(shí)，跟蹤算法無(wú)法保持穩(wěn)定，導(dǎo)致跟蹤丟失或誤跟蹤。處理速度慢，無(wú)法滿足實(shí)時(shí)監(jiān)控和響應(yīng)的需求，特別是在高分辨率視頻流的情況下。
技術(shù)實(shí)現(xiàn)思路
1、針對(duì)現(xiàn)有水面目標(biāo)檢測(cè)和跟蹤技術(shù)在復(fù)雜環(huán)境下準(zhǔn)確性和實(shí)時(shí)性不足的問(wèn)題，提出了一種基于yolov5s與deepsort網(wǎng)絡(luò)的水面目標(biāo)檢測(cè)跟蹤方法。
2、本專利技術(shù)的技術(shù)方案為：一種基于yolov5s與deepsort網(wǎng)絡(luò)的水面目標(biāo)檢測(cè)跟蹤方法，具體包括如下步驟：
3、步驟s1、利用成像設(shè)備采集水面復(fù)雜背景下的目標(biāo)視頻流，獲取目標(biāo)圖像數(shù)據(jù)集；
4、步驟s2、對(duì)目標(biāo)圖像數(shù)據(jù)集進(jìn)行預(yù)處理，獲取預(yù)處理后的圖像數(shù)據(jù)集，并將預(yù)處理后的圖像數(shù)據(jù)集劃分為訓(xùn)練集和驗(yàn)證集；
5、步驟s3、對(duì)yolov5算法中的yolov5s模型進(jìn)行訓(xùn)練，獲取符合識(shí)別精度達(dá)到要求的yolov5s目標(biāo)檢測(cè)網(wǎng)絡(luò)模型；
6、步驟s4、通過(guò)s3獲得的訓(xùn)練后yolov5s目標(biāo)檢測(cè)網(wǎng)絡(luò)模型，對(duì)訓(xùn)練數(shù)據(jù)集進(jìn)行識(shí)別，獲得目標(biāo)識(shí)別候選框作為deepsort模型的訓(xùn)練集，輸入至deepsort模型進(jìn)行訓(xùn)練，訓(xùn)練后的deepsort模型構(gòu)建目標(biāo)檢測(cè)與跟蹤的識(shí)別器；
7、步驟s5、利用s3訓(xùn)練后yolov5s目標(biāo)檢測(cè)網(wǎng)絡(luò)模型對(duì)實(shí)時(shí)圖像進(jìn)行識(shí)別獲得實(shí)時(shí)目標(biāo)框，獲得實(shí)時(shí)目標(biāo)框送入s4訓(xùn)練后的目標(biāo)檢測(cè)與跟蹤的識(shí)別器，對(duì)目標(biāo)進(jìn)行實(shí)時(shí)檢測(cè)跟蹤。
8、進(jìn)一步，所述步驟s1具體實(shí)現(xiàn)方法：
9、步驟s11、使用成像設(shè)備在不同的復(fù)雜背景下對(duì)水面和海面進(jìn)行連續(xù)幀拍攝采樣，獲取初始圖像集；
10、步驟s12，在所述初始圖像集的每個(gè)圖像中標(biāo)注出真實(shí)目標(biāo)檢測(cè)框，構(gòu)建目標(biāo)的標(biāo)簽信息，初始圖像集以及目標(biāo)的標(biāo)簽信息共同構(gòu)成目標(biāo)圖像數(shù)據(jù)集。
11、進(jìn)一步，所述步驟s2具體實(shí)現(xiàn)方法：
12、步驟s21，所述目標(biāo)圖像數(shù)據(jù)集進(jìn)行預(yù)處理的方法包括：
13、對(duì)完整的水面目標(biāo)圖像數(shù)據(jù)集進(jìn)行預(yù)處理，得到預(yù)處理后的水面目標(biāo)數(shù)據(jù)集；預(yù)處理包括：圖像增強(qiáng)和去噪、目標(biāo)區(qū)域提取與裁剪、數(shù)據(jù)平衡、樣本生成，獲得保證質(zhì)量的有效圖像數(shù)據(jù)集；
14、步驟s22，從所述預(yù)處理后圖像數(shù)據(jù)集中隨機(jī)選取若干幀圖像，對(duì)選取出的若干幀圖像再次進(jìn)行數(shù)據(jù)增強(qiáng)、去噪，得到增強(qiáng)圖像數(shù)據(jù)集，提升數(shù)據(jù)集的豐富性和模型的魯棒性；
15、步驟s23，將所述步驟s22中增強(qiáng)圖像數(shù)據(jù)集進(jìn)行打亂處理，得到最終的預(yù)處理后的圖像數(shù)據(jù)集；
16、步驟s24，將整個(gè)圖像數(shù)據(jù)集分為80％訓(xùn)練集，20％驗(yàn)證集，確保訓(xùn)練集有足夠的樣本來(lái)進(jìn)行有效的學(xué)習(xí)，同時(shí)驗(yàn)證集也足夠大以提供有意義的性能評(píng)估。
17、進(jìn)一步，所述步驟s3具體實(shí)現(xiàn)方法：
18、步驟s31，準(zhǔn)備模型配置文件，設(shè)置yolov5s目標(biāo)檢測(cè)網(wǎng)絡(luò)模型的訓(xùn)練參數(shù)；
19、步驟s32，將訓(xùn)練數(shù)據(jù)集輸入yolov5s目標(biāo)檢測(cè)網(wǎng)絡(luò)模型進(jìn)行迭代訓(xùn)練，達(dá)到訓(xùn)練迭代次數(shù)后結(jié)束訓(xùn)練；
20、步驟s33，使用驗(yàn)證數(shù)據(jù)集來(lái)評(píng)估yolov5s目標(biāo)檢測(cè)網(wǎng)絡(luò)模型的性能，計(jì)算yolov5s目標(biāo)檢測(cè)網(wǎng)絡(luò)模型在驗(yàn)證集上的評(píng)估指標(biāo)，得到評(píng)估結(jié)果；
21、步驟s34，保存訓(xùn)練后的yolov5s目標(biāo)檢測(cè)網(wǎng)絡(luò)模型所對(duì)應(yīng)的權(quán)重文件；所述的權(quán)重文件包括yolov5s目標(biāo)檢測(cè)網(wǎng)絡(luò)模型在訓(xùn)練過(guò)程中學(xué)到的知識(shí)，并保留yolov5s目標(biāo)檢測(cè)網(wǎng)絡(luò)模型在不同層之間的連接權(quán)重和偏置；通過(guò)加載權(quán)重文件，將參數(shù)數(shù)值重新加載到y(tǒng)olov5s目標(biāo)檢測(cè)網(wǎng)絡(luò)模型中，獲得訓(xùn)練后的yolov5s目標(biāo)檢測(cè)網(wǎng)絡(luò)模型。
22、進(jìn)一步，所述步驟s4具體實(shí)現(xiàn)方法：
23、步驟s41，根據(jù)訓(xùn)練后的yolov5s模型的權(quán)重參數(shù)，重新將步驟s2預(yù)處理后的數(shù)據(jù)集輸入yolov5s目標(biāo)檢測(cè)網(wǎng)絡(luò)模型，獲取每幀圖像中的目標(biāo)識(shí)別候選框，每幀圖像中的目標(biāo)識(shí)別候選框構(gòu)成deepsort模型的訓(xùn)練集；
24、步驟s42，根據(jù)deepsort模型的訓(xùn)練集，確定檢測(cè)目標(biāo)在每幀圖像中的真實(shí)位置，將檢測(cè)到的目標(biāo)的框中的特征提取出來(lái)，該特征包括表觀特征和運(yùn)動(dòng)特征；步驟s43，根據(jù)目標(biāo)在第k-1,k≥2幀圖像中的真實(shí)位置，將卡爾曼濾波的運(yùn)動(dòng)變量初始化，通過(guò)卡爾曼濾波預(yù)測(cè)目標(biāo)在第k幀圖像中的位置；
25、步驟s44，采用匈牙利算法對(duì)目標(biāo)在第k幀圖像中的預(yù)測(cè)位置和目標(biāo)在第k幀圖像中的真實(shí)位置進(jìn)行級(jí)聯(lián)匹配；
26、步驟s45，再通過(guò)級(jí)聯(lián)匹配的結(jié)果計(jì)算其代價(jià)矩陣，將得到的所有的代價(jià)矩陣作為匈牙利算法的輸入，得到線性的匹配的結(jié)果，這時(shí)候得到的結(jié)果有三種：初次匹配成功的結(jié)果、初次未匹配的軌跡以及初次未匹配的檢測(cè)框；
27、步驟s46，對(duì)步驟s45中初次未匹配的軌跡和初次未匹配的檢測(cè)框進(jìn)行級(jí)聯(lián)匹配，得到再次匹配成功的結(jié)果、再次未匹配的軌跡以及再次未匹配的檢測(cè)框；
28、步驟s47，根據(jù)初次匹配成功的結(jié)果和再次匹配成功的結(jié)果，更新卡爾曼濾波的參數(shù)；
29、步驟s48，為再次未匹配的檢測(cè)框分配新的軌跡和新的id，并通過(guò)re本文檔來(lái)自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于YOLOV5s與DeepSORT網(wǎng)絡(luò)的水面目標(biāo)檢測(cè)跟蹤方法，其特征在于，具體包括如下步驟：
2.根據(jù)權(quán)利要求1所述基于YOLOV5s與DeepSORT網(wǎng)絡(luò)的水面目標(biāo)檢測(cè)跟蹤方法，其特征在于，所述步驟S1具體實(shí)現(xiàn)方法：
3.根據(jù)權(quán)利要求2所述基于YOLOV5s與DeepSORT網(wǎng)絡(luò)的水面目標(biāo)檢測(cè)跟蹤方法，其特征在于，所述步驟S2具體實(shí)現(xiàn)方法：
4.根據(jù)權(quán)利要求3所述基于YOLOV5s與DeepSORT網(wǎng)絡(luò)的水面目標(biāo)檢測(cè)跟蹤方法，其特征在于，所述步驟S3具體實(shí)現(xiàn)方法：
5.根據(jù)權(quán)利要求4所述基于YOLOV5s與DeepSORT網(wǎng)絡(luò)的水面目標(biāo)檢測(cè)跟蹤方法，其特征在于，所述步驟S4具體實(shí)現(xiàn)方法：
6.一種水面目標(biāo)檢測(cè)跟蹤網(wǎng)絡(luò)模型訓(xùn)練方法，其特征在于，利用成像設(shè)備采集水面復(fù)雜背景下的目標(biāo)視頻流，獲取圖像數(shù)據(jù)集，對(duì)目標(biāo)圖像數(shù)據(jù)集進(jìn)行預(yù)處理，獲得適合用于訓(xùn)練目標(biāo)檢測(cè)模型的目標(biāo)圖像數(shù)據(jù)集，目標(biāo)圖像數(shù)據(jù)集送入YOLOv5s模型進(jìn)行訓(xùn)練，獲得訓(xùn)練后YOLOv5s目標(biāo)檢測(cè)網(wǎng)絡(luò)模型；將目標(biāo)圖像數(shù)據(jù)集再次送入訓(xùn)練后的YOLOv5s目標(biāo)
...【技術(shù)特征摘要】
1.一種基于yolov5s與deepsort網(wǎng)絡(luò)的水面目標(biāo)檢測(cè)跟蹤方法，其特征在于，具體包括如下步驟：
2.根據(jù)權(quán)利要求1所述基于yolov5s與deepsort網(wǎng)絡(luò)的水面目標(biāo)檢測(cè)跟蹤方法，其特征在于，所述步驟s1具體實(shí)現(xiàn)方法：
3.根據(jù)權(quán)利要求2所述基于yolov5s與deepsort網(wǎng)絡(luò)的水面目標(biāo)檢測(cè)跟蹤方法，其特征在于，所述步驟s2具體實(shí)現(xiàn)方法：
4.根據(jù)權(quán)利要求3所述基于yolov5s與deepsort網(wǎng)絡(luò)的水面目標(biāo)檢測(cè)跟蹤方法，其特征在于，所述步驟s3具體實(shí)現(xiàn)方法：
5.根據(jù)權(quán)利要求4所述基于yolov5s與deepsort網(wǎng)絡(luò)的水面目標(biāo)檢測(cè)跟蹤方法，其特征在于，所述步驟s4具體...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：陳俊，劉彬，張程，莊加興，李昀哲，祝江，
申請(qǐng)(專利權(quán))人：中國(guó)船舶集團(tuán)有限公司第七〇四研究所，
類(lèi)型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。