摘要
智能驾驶辅助系统ADAS(AdvancedDriverAssistanceSystem)，能够有效增加汽车驾驶的舒适性和安全性。ADAS对行驶中相遇目标进行检测与跟踪极为重要，虽然近年来多目标跟踪得到了快速发展，但是目标跟踪精度尤其是行人跟踪精度仍不足以支持ADAS的实际应用需求，因此研究和设计一种行人跟踪精度高的多目标跟踪算法并进行系统验证很有必要。 本文综述了多目标跟踪算法的发展过程和典型方法，分析了现有多目标跟踪算法的不足。本文基于现有的深度神经网络在线多目标跟踪算法，在算法的网络结构、训练方式和数据关联进行改进，网络结构中，设计了长时记忆模块提高对跟踪目标的记忆能力，设计了特征向量模块提高对行人的特征提取能力，改进了分类输出层模块提高对多类跟踪对象跟踪能力。训练方式则采用了多帧图片输入方式以保证对视频的跟踪能力。数据关联部分通过卡尔曼滤波预测得分与特征向量匹配得分计算关联代价矩阵，并使用匈牙利关联算法进行关联，以获得更好地数据关联效果。多目标跟踪算法效果在服务器平台上进行了验证，保证了算法在车辆跟踪能力不下降的情况下，对行人的跟踪能力大幅加强。最后，本文通过搭建基于JetsonNano开发板的嵌入式系统平台，并基于该平台进行算法的改进和调试，验证了算法在嵌入式系统上计算准确性，实现了算法的系统级验证。 本文设计的多目标跟踪算法，在KITTI多目标跟踪数据集上进行测试，车辆的多目标跟踪精度(Multi-ObjectTrackingAccuracy，即MOTA)为89.3%，比对标方法降低了0.14%；行人的MOTA为60.8%，较对标方法提高了5.46%。本文研究对高精度目标跟踪系统在终端设备上的应用具有一定的参考意义。
NETL