智能汽车高密度交通场景多目标检测与跟踪算法优化研究

本文研究了在高密度交通场景下智能汽车的多目标检测与跟踪算法，针对现有算法在密集环境中性能下降的问题进行了一系列改进。通过使用YOLO_Free检测算法和Transformer结构的多目标跟踪算法，提高了检测和跟踪的精度及实时性。 在智能汽车领域，环境感知技术是实现自动驾驶的关键，而目标检测与跟踪则是感知技术的重要组成部分。在高密度交通环境下，由于目标数量多、相互遮挡频繁，这给检测和跟踪带来了挑战。为此，本文提出了以下改进： 1. YOLO_Free检测算法：针对高密度目标检测性能不足的问题，采用了多分支无边框预测结构，提升了对密集目标的识别能力。同时，通过引入双随机遮挡填充策略，增强了模型对稀疏遮挡条件的泛化能力。此外，使用DIOU损失函数改善了近距离目标检测的准确性，实验结果显示，该算法在保持接近原算法检测速度的同时，检测精度提升了5.1%。 2. 联合YOLO_Free的多目标跟踪算法：为解决目标移动不确定性，利用Transformer结构实现身份ID映射，确保了跟踪稳定性。为应对遮挡导致的外观信息丢失，采用历史外观特征修正当前目标状态。通过低置信度检测框二次关联减少漏检带来的身份切换，同时，通过Transformer的线性化加速优化了计算速度，使得算法在保证高阶跟踪准确度提升21.3%的同时，满足了实时性需求。 3. 实车测试验证：在江大智能行2号实车测试平台上进行了性能验证，证明了所提算法在高密度交通场景中能有效跟踪行人和车辆，具有较高的工程应用价值。实验基于Python3.8和C++编程，使用PyTorch 1.8.0作为深度学习框架，操作系统为Ubuntu 18.04，并借助Pycharm进行开发调试，使用PyQt5实现了算法的可视化封装。 本文提出的改进方案显著提升了智能汽车在复杂交通环境下的目标检测和跟踪性能，对于推动自动驾驶技术的发展具有重要意义。这些创新技术不仅能够提高道路安全，还为未来的交通物流和自动驾驶系统提供了坚实的技术支撑。