首页|提升预测框定位稳定性的视频目标检测

提升预测框定位稳定性的视频目标检测

Video object detection method for improving the stability of bounding box

扫码查看
原文链接
  • NETL
  • NSTL
  • 维普
  • 万方数据
目的 目前视频目标检测(object detection from video)领域大量研究集中在提升预测框定位准确性,对于定位稳定性提升的研究则较少.然而,预测框定位稳定性对多目标跟踪、车辆行驶控制等算法具有重要影响,为提高预测框定位稳定性,本文提出了一种扩张性非极大值抑制(expanded non-maximum suppression,Exp_NMS)方法和帧间平滑策略(frame bounding box smooth,FBBS).方法 目标检测阶段使用YOLO(you only look once)v3神经网络,非极大值抑制阶段通过融合多个预测框信息得出结果,增强预测框在连续视频流中的稳定性.后续利用视频相邻帧信息关联的特点,对预测框进行平滑处理,进一步提高预测框定位稳定性.结果 选用UA-DETRAC(Uni-versity at Albany detection and tracking benchmark dataset)数据集进行分析实验,使用卡尔曼滤波多目标跟踪算法进行辅助验证.本文在MOT(multiple object tracking)评价指标基础上,设计了平均轨迹曲折度(average track-tortuosi-ty,AT)来直观、量化地衡量预测框定位稳定性及跟踪轨迹的平滑度.实验结果表明,本文方法几乎不影响预测框定位准确性,且对定位稳定性有大幅改善,相应跟踪质量得到显著提升.测试视频的MOTA(multiple object tracking accuracy)提升6.0％、IDs(identity switches)减少16.8％,跟踪FP(false positives)类型错误下降45.83％,AT 下降36.57％,mAP(mean average precision)仅下降0.07％.结论 从非极大值抑制和前后帧信息关联两个角度设计相关策略,经实验验证,本文方法在基本不影响预测框定位准确性的前提下,可有效提升预测框定位稳定性.

郝腾龙、李熙莹

展开 >

中山大学智能工程学院智能交通研究中心,广州510006

广东省智能交通系统重点实验室,广州510006

卷积神经网络 视频目标检测 预测框定位稳定性 非极大值抑制策略 相邻帧信息关联

国家重点研发计划项目国家重点研发计划项目

2018YFB16011002018YFB1601101

2021

中国图象图形学报
中国科学院遥感应用研究所,中国图象图形学学会 ,北京应用物理与计算数学研究所

中国图象图形学报

CSTPCDCSCD北大核心
影响因子：1.111
ISSN：1006-8961
年,卷(期)：2021.26(1)
  • 4
  • 2