为了解决现有的目标跟踪算法在煤矿复杂环境下存在精度低和实时性差的问题,基于Tracking by Detection(TBD)范式,提出了YOLO-FasterNet+ByteTrack的煤矿人员跟踪算法。首先,构建FasterNet-Block特征提取模块改进YOLOv7的Backbone,提升...为了解决现有的目标跟踪算法在煤矿复杂环境下存在精度低和实时性差的问题,基于Tracking by Detection(TBD)范式,提出了YOLO-FasterNet+ByteTrack的煤矿人员跟踪算法。首先,构建FasterNet-Block特征提取模块改进YOLOv7的Backbone,提升目标检测阶段的实时性;然后,通过在Neck中引入CBAM注意力机制,提升模型在复杂场景下的特征感知能力;接着,在目标检测的解码阶段引入Soft-NMS,优化模型在人员交叠场景下的检测精度;最后,在目标跟踪阶段,针对人员重叠和遮挡导致的目标ID翻转问题,设计了一种融合GRU和卡尔曼滤波的多目标运动特征预测机制,有效提升了煤矿人员跟踪的准确性。实验结果表明:YOLOFasterNet在煤矿人员数据集上相对于YOLOv7的平均精度提高了3.6%,检测速度提升了8.2FPS;在自定义跟踪数据集GBMOT上,所提目标跟踪算法相对于ByteTrack,MOTA值提升了1.7%,IDSW减少了149次。展开更多
文摘为了解决现有的目标跟踪算法在煤矿复杂环境下存在精度低和实时性差的问题,基于Tracking by Detection(TBD)范式,提出了YOLO-FasterNet+ByteTrack的煤矿人员跟踪算法。首先,构建FasterNet-Block特征提取模块改进YOLOv7的Backbone,提升目标检测阶段的实时性;然后,通过在Neck中引入CBAM注意力机制,提升模型在复杂场景下的特征感知能力;接着,在目标检测的解码阶段引入Soft-NMS,优化模型在人员交叠场景下的检测精度;最后,在目标跟踪阶段,针对人员重叠和遮挡导致的目标ID翻转问题,设计了一种融合GRU和卡尔曼滤波的多目标运动特征预测机制,有效提升了煤矿人员跟踪的准确性。实验结果表明:YOLOFasterNet在煤矿人员数据集上相对于YOLOv7的平均精度提高了3.6%,检测速度提升了8.2FPS;在自定义跟踪数据集GBMOT上,所提目标跟踪算法相对于ByteTrack,MOTA值提升了1.7%,IDSW减少了149次。
