結(jié)論隨著人工智能大數(shù)據(jù)科技的深入研究,智慧交通、無(wú)人駕駛等技術(shù)正在飛速發(fā)展,而交通場(chǎng)景下的車輛檢測(cè)與跟蹤作為主要的研究?jī)?nèi)容,為后續(xù)交通信息的分析提供了重要的技術(shù)支持,同時(shí)對(duì)人們的安全出行具有重要意義。采用YOLOv5算法對(duì)車輛多目標(biāo)進(jìn)行檢測(cè)。首先針對(duì)交通場(chǎng)景的檢測(cè),更需要檢測(cè)的實(shí)時(shí)性和高速度,其次在圖像特征提取階段采用深度可分離卷積替換普通的卷積,不但提高了特征提取的性能,而且提高了檢測(cè)的速度,增強(qiáng)了網(wǎng)絡(luò)的魯棒性;最后,對(duì)整個(gè)網(wǎng)絡(luò)進(jìn)行訓(xùn)練測(cè)試,通過(guò)損失函數(shù)對(duì)整個(gè)網(wǎng)絡(luò)模型進(jìn)行調(diào)優(yōu),減少目標(biāo)檢測(cè)中漏檢和誤檢的情況。經(jīng)過(guò)上述的改進(jìn)后,通過(guò)實(shí)驗(yàn)檢測(cè)分析車輛多目標(biāo)檢測(cè)模型,最后得到檢測(cè)模型的mAP值為0.903,召回率為0.930。采用YOLOv5作為檢測(cè)器并結(jié)合OC-Sort算法進(jìn)行車輛的多目標(biāo)跟蹤。首先使用YOLOv5中的特征提取網(wǎng)絡(luò)對(duì)OC-Sort進(jìn)行特征提取訓(xùn)練,使OC-Sort在重識(shí)別時(shí)有較好的特征提取性能;其次,對(duì)于OC-Sort的檢測(cè)器進(jìn)行實(shí)驗(yàn)對(duì)比,通過(guò)實(shí)驗(yàn)分析得到檢測(cè)器的性能決定跟蹤效果的好壞,并且選擇YOLOv5作為OC-Sort的檢測(cè)器對(duì)車輛多目標(biāo)進(jìn)行跟蹤;最后,實(shí)驗(yàn)結(jié)果表明,結(jié)合YOLOv5和OC-Sort的結(jié)合能有效的減少多目標(biāo)IDs的次數(shù)和對(duì)于重出現(xiàn)的目標(biāo)有較好的跟蹤效果。參考文獻(xiàn)[1]WanS,XuX,WangT,etal.Anintelligentvideoanalysismethodforabnormaleventdetectioninintelligenttransportationsystems[J].IEEETransactionsonIntelligentTransportationSystems,2020,22(7):4487-4495.[2]趙年年,郭翔.基于深度學(xué)習(xí)目標(biāo)檢測(cè)與跟蹤技術(shù)探討[J].科技傳播,2020,12(02):95-96.[3]劉洋,戰(zhàn)蔭偉.基于深度學(xué)習(xí)的小目標(biāo)檢測(cè)算法綜述[J].計(jì)算機(jī)工程與應(yīng)用,2021,57(02):37-48.[4]賈豆豆.基于YOLOv5+OC-Sort的小目標(biāo)跟蹤方法研究[D].中北大學(xué),2022.12(02):95-96.[5]苑玉彬,吳一全,趙朗月,陳金林,趙其昌.基于深度學(xué)習(xí)的無(wú)人機(jī)航拍視頻多目標(biāo)檢測(cè)與跟蹤研究進(jìn)展[J].航空學(xué)報(bào):2023,04,1-29.[6]趙士杰.基于YOLOv5+Deep-SORT的運(yùn)煤車輛目標(biāo)檢測(cè)與跟蹤[J].山西電子技術(shù),2023,01:1-3.[7]趙立新,邢潤(rùn)哲,白銀光,張宏昌,何春燕.深度學(xué)習(xí)在目標(biāo)檢測(cè)的研究綜述[J].科學(xué)技術(shù)與工程,2021,21(30):12787-12795.[8] N.Dalal,B.Triggs.HistogramsofOrientedGradientsforHuman Detection[C].2005IEEEComputerSocietyConferenceonComputer VisionandPatternRecognition,SanDiego,CA, USA,2005:886-893.[9]HeK,ZhangX,RenS,etal.SpatialPyramidPoolinginDeepConvolutionalNetworksforVisualRecognition[J].IEEETransactionsonPatternAnalysis&MachineIntelligence,2014,37(9):1904-1916.[10]彭建盛,許恒銘,李濤濤,侯雅茹.生成式與判別式視覺(jué)目標(biāo)跟蹤算法綜述[J].科學(xué)技術(shù)與工程,2021,21(35):14871-14881.[11]劉志強(qiáng),任世恒.復(fù)雜場(chǎng)景下基于OSA多目標(biāo)跟蹤算法研究[J].信息技術(shù),2022(04):123-129.[12]石向陽(yáng).交通場(chǎng)景下的車輛多目標(biāo)檢測(cè)與跟蹤算法研究[J].計(jì)算機(jī)軟件及計(jì)算機(jī)應(yīng)用,2023:2[13]黃磊,楊媛,楊成煜,楊威,李耀華.FS-YOLOv5:輕量化紅外目標(biāo)檢測(cè)方法[J].計(jì)算機(jī)工程與應(yīng)用.2023:1-13.[14]張瑤,盧煥章,張路平,基于深度學(xué)習(xí)的視覺(jué)多目標(biāo)跟蹤算法綜述[J].計(jì)算機(jī)工程與應(yīng)用,2021,57(13):55-66.[15]羊潔明.基于深度學(xué)習(xí)的視頻多目標(biāo)跟蹤算法研究[D].江南大學(xué),2022.[16]徐麗,劉星星,屈立成.基于YOLOv4的夜間車輛檢測(cè)模型輕量化研究[J].計(jì)算機(jī)技術(shù)與發(fā)展,2022,32(3):84-89.[17]廖航,霍愛(ài)清,王澤文.輕量化YOLOv4的車輛目標(biāo)檢測(cè)研究[J].工業(yè)控制計(jì)算機(jī),2023,36(03):98-100+104.[18]劉兆波.基于YOLOv5及DeepSort的道路目標(biāo)追蹤改進(jìn)算法[J].汽車實(shí)用技術(shù),2022,40-44.[19]BernardinK,StiefelhagenR.ResearchArticleEvaluatingMultipleObjectTrackingPerformance:TheCLEARMOTMetrics[J].EURASIPJournalonImageandVideoProcessing,2008,24309(2008):1-10.[20]成瑤.基于YOLOv5和DeepSORT的跟蹤系統(tǒng)研究[D].西北大學(xué),2022.13(01):90-91+94.[21]石向陽(yáng).交通場(chǎng)景下的車輛多目標(biāo)檢測(cè)與跟蹤算法研究[J].計(jì)算機(jī)軟件及計(jì)算機(jī)應(yīng)用,2023:5-6.[22]黃率.基于PYQT5的AI圖像識(shí)別工具[J].現(xiàn)代工業(yè)經(jīng)濟(jì)和信息化,2023,13(01):90-91+94.[23]桑曉丹,郭銳.基于PyQt5的數(shù)字圖像處理實(shí)驗(yàn)平臺(tái)設(shè)計(jì)[J].電子技術(shù)與軟件工程,2021,No.212(18):129-130.[24]KhanNA,LyonOAS,EramianM,etal.Anoveltechniquecombiningimageprocessing,plantdevelopmentproperties,andtheHungarianalgorithm,toimproveleafdetectioninMaize[C].IEEEConferenceonComputerVisionandPatternRecognition,2020:74-75.[25]HanS,MaoH,DallyWJ.DeepCompression:CompressingDeepNeuralNetworkswithPruning,TrainedQuantizationandHuffmanCoding[J].Fiber,2015,56(4):3-7.[26]LiX,WuJ,LinZ,etal.Recurrentsqueeze-and-excitationcontextaggregationnetforsingleimagederaining[C].ProceedingsoftheEuropeanconferenceoncomputervision(ECCV).2018:254-269.[27]石向陽(yáng).交通場(chǎng)景下的車輛多目標(biāo)檢測(cè)與跟蹤算法研究[J].計(jì)算機(jī)軟件及計(jì)算機(jī)應(yīng)用,2023:27-30.[28]WanS,XuX,WangT,etal.Anintelligentvideoanalysismethodforabnormaleventdetectioninintelligenttransportationsystems[J].IEEETransactionsonIntelligentTransportationSystems,2020,22(7):4487-4495. 附錄本系統(tǒng)所用YOLOv5算法偽代碼：#初始化模型model=YOLOv5()#加載權(quán)重model.load_weights('yolov5.weights')#讀取輸入圖像image=read_image('input.jpg')#圖像預(yù)處理preprocessed_image=preprocess_image(image)#模型推理output=model.predict(preprocessed_image)#后處理detections=postprocess_output(output)#顯示結(jié)果show_results(detections)本系統(tǒng)所用OC-Sort算法偽代碼：#初始化目標(biāo)跟蹤器tracker=OC_Sort()#讀取第一幀圖像frame=read_frame('input.mp4')#檢測(cè)目標(biāo)detections=detect_objects(frame)#初始化跟蹤器狀態(tài)tracker.init_trackers(detections)#循環(huán)處理每一幀圖像whileTrue:#讀取下一幀圖像frame=read_frame('input.mp4')#跟蹤目