融合YOLO与DeepSORT的轻量级车辆跟踪模型研究

《Scientific Reports》：Efficient real-time vehicle tracking via lightweight YOLO and DeepSORT integration

　　

摘要

在驾驶过程中检测和跟踪前方车辆是确保驾驶安全和提升驾驶体验的关键技术。然而，传统的检测和跟踪模型通常计算量较大、参数量庞大，不适用于资源受限的移动设备。本文提出了一种轻量级车辆跟踪模型，融合了YOLO和DeepSORT。通过在YOLO的骨干网络和颈部网络中引入GhostConv和C3GhostV2模块，我们在提升检测精度的同时减小了模型体积。采用Focal-EIoU函数来改善对小尺寸远处目标车辆的识别能力。此外，使用ShuffleNetV2替代DeepSORT的特征提取网络，进一步减少模型参数量。实验结果表明，在YOLO系列的最新模型中，YOLOv5具有更稳定、更准确的性能，更适合作为车辆检测与跟踪任务的基础模型。在此基础上，实验结果显示，与使用Ultralytics框架实现的基础模型相比，所提出的模型将GFLOPs降低了37.1%，参数量减少了34.5%，mAP@0.5提升了0.3%。整体模型大小仅为13.62 MB，比原始模型小了44.8%。在SODA10M数据集上的验证表明，该模型检测精度有所提升，且性能优于其他模型，适用于部署在车辆驾驶过程中的移动设备上。