深度学习驱动的无人车视觉跟踪与检测技术研究

"该文档详细探讨了基于深度学习的无人车视觉跟踪系统的研究，涵盖了单目标跟踪、行人车辆检测和多目标跟踪等关键领域。针对目标遮挡问题，提出了一种结合卡尔曼滤波的孪生网络跟踪算法；为解决YOLOv3的速度和精度问题，设计了基于深度可分离卷积的改进YOLOv3算法；同时，为减少多目标跟踪中的身份交换错误，引入了多信息融合的跟踪方法。所有这些算法都在实际无人车平台和标准数据集上进行了验证，证明了其在真实环境中的有效性。" 在无人车技术中，视觉跟踪系统扮演着至关重要的角色，它通过解析传感器捕获的图像来追踪目标对象，从而获取目标的运动轨迹。针对目标遮挡导致的跟踪失效问题，研究人员提出了一种创新的解决方案，即利用卡尔曼滤波器来辅助孪生网络（Siamese-FC）的目标跟踪。当目标被严重遮挡时，卡尔曼滤波器能够预测目标位置，从而保持对目标的连续追踪。 在目标检测方面，鉴于YOLOv3算法存在的速度慢和精度低的问题，文档提出了基于深度可分离卷积的改进版YOLOv3算法。这种改进减少了模型的计算复杂度，增强了小目标的检测性能，经过自建数据集和VOC2007数据集的训练，检测速度和精度都有显著提升。 对于多目标跟踪，传统的算法往往只依赖运动信息，容易引发目标身份混淆。为解决这一问题，文章提出了一种多信息融合的跟踪算法，该算法通过多尺度卷积网络提取目标特征，结合外观信息和运动信息，利用匈牙利算法进行最优化匹配，提高了多目标跟踪的准确性。 最终，这些算法在校园无人车平台的实际测试中得到了验证，证明它们能够有效地在复杂环境中检测和追踪行人及车辆，体现了深度学习在无人车视觉系统中的强大应用潜力。关键词包括：单目标跟踪、行人检测、多目标跟踪、深度可分离卷积和卡尔曼滤波。