[發明專利]一種基于YOLOV5的目標對象跟隨方法及裝置

在審

• 申請號: 202310327802.2
• 申請日: 2023-03-30
• 公開（公告）號: CN116402853A
• 公開（公告）日: 2023-07-07
• 發明（設計）人: 張澤東;龐艷軍;李鑫
• 申請（專利權）人: 蘇州拓氪科技有限公司
• 主分類號: G06T7/246
• 分類號: G06T7/246;G06V10/40;G06T7/73;G06V10/82;G06N3/0464;G06N3/084
• 代理公司: 蘇州京昀知識產權代理事務所(普通合伙) 32570
• 代理人: 顧友

本申請實施例提供了一種目標檢測模型的訓練方法、基于YOLOV5的目標對象跟隨方法、裝置、計算機設備及存儲介質，解決了目標車輛行人跟蹤存在的小尺度行人誤檢、漏檢、檢測差等問題。通過采用Ghost?BottleNeck模塊，使網絡模型在保持良好跟蹤性能的同時降低了計算成本，通過使用Alpha?IoU作為邊界損失函數來優化車輛?行人跟蹤的定位，同時提高車輛?行人跟蹤的魯棒性，并且應用切片輔助超推理策略，提高復雜交通道路場景下車輛?行人跟蹤性能。

技術領域

本發明涉及人工智能技術領域，特別涉及一種基于YOLOV5的目標對象跟隨方法及裝置。

背景技術

目標跟蹤技術在計算機視覺中發揮著至關重要的作用，因為它在安全系統、行人再識別、行人跟蹤和行人意圖預測等應用方面具有多種用途。隨著智能汽車的發展，行人檢測已成為目標檢測的關鍵技術。此外，快速準確的行人檢測方法對于智能車輛在道路上的安全以及行人的安全保護具有重要意義。在智能車輛中，由于車輛計算設備計算能力的限制，目標檢測一般采用更輕量化的跟蹤方法。

在復雜交通道路場景中，輕量級目標跟蹤方法對大中型尺度行人都取得了良好的置信度分數。但是它不可以跟蹤到距離較遠的小規模行人，并有遺漏和錯誤的跟蹤。

一方面，針對提高復雜場景中小目標跟蹤效果和魯棒性的問題，目前有提出一些有效的方法。例如，在特征金字塔網絡(FPN)的基礎上提出了擴展特征金字塔網絡(EFPN)，該網絡利用超分辨率(SR)特征作為FPN中的一種新的特征傳輸模塊，豐富了區域內的細節特征，便于中小目標的跟蹤。此外還可以將網絡層的DNN(深度神經網絡)權重劃分為多個大小相等的塊，并將塊內的權重修剪為相同的形狀。或者，還可以采用移動GPU-CPU協同方案，使得部署在移動設備上的檢測方法能夠保持良好的檢測精度，并達到高效的推理速度。或者將改進的空間金字塔池化(SPP)層集成到FPN的橫向連接中，以更好地從淺特征圖中提取細粒度信息，提高無人機的目標檢測精度。或者采用全局-局部特征增強網絡(GLF-Net)，其在特征提取過程中，局部特征提取(LFE)模塊和全局特征提取(GFE)模塊分別提取圖像的局部特征和全局特征，實現復雜背景和密集場景下的穩定特征提取，特征融合模塊負責將這些全局和局部特征進行融合，增強網絡模型的特征表示能力，從而提高多尺度目標的檢測精度。

另一方面，針對平衡小對象檢測性能和效率的問題，目前提出了一種可以更快地推斷基于特征金字塔的對象檢測器。其在預測小物體在低分辨率特征上的粗位置，指導高分辨率特征計算物體的準確結果，充分利用了高分辨率的特征圖，避免了大量背景信息的無用計算。最后提出一種雙重檢測機制來解決小物體漏檢的問題。當單級檢測器遺漏目標時，去噪稀疏自編碼器(DSAE)模塊提取目標可能區域的圖像作為低維特征向量。然后，根據兩次檢測的結果，對圖像中的實例進行排序，以識別遺漏的對象。

然而上述方法均不能兼顧跟蹤精度與輕量化的問題，因此，如何使目標跟蹤方法在提高跟蹤精度的同時保持其輕量化是亟待解決的問題。

發明內容

為了解決現有技術的問題，本發明實施例提供了一種目標檢測模型的訓練方法、基于YOLOV5的目標對象跟隨方法、裝置、計算機設備及存儲介質，以解決目標車輛行人跟蹤存在的小尺度行人誤檢、漏檢、檢測差等問題，可以使網絡模型在保持良好跟蹤性能的同時降低了計算成本，并且提高復雜交通道路場景下行人跟蹤性能。

為解決上述一個或多個技術問題，本發明采用的技術方案是：

第一方面，提供了一種目標檢測模型的訓練方法，所述方法包括：

將原始的YOLOV5模型中的特征提取模塊替換為Ghost-BottleNeck模塊，得到第一YOLOV5模型；

利用訓練數據集對所述第一YOLOV5模型進行訓練，獲取第二YOLOV5模型；