基于改进DeepSort的行人多目标跟踪算法

针对现有的行人多目标跟踪算法在遮挡、人群密集和光线差等情况下表现不佳的问题，提出一种改进YOLOv4与改进DeepSort算法相结合的行人多目标跟踪算法。首先，为增强检测网络的特征提取能力，在YOLOv4中嵌入ECANet注意力模块，提高检测精度；其次，在改进DeepSort的跟踪算法中，由卡尔曼滤波算法预测多个行人目标在图像中的轨迹之后，使用GhostNetV1替换DeepSort中的重识别网络来生成行人的外观特征，提高行人重识别网络的性能；进而，采用匈牙利算法对检测框和预测框进行最优匹配，对未匹配成功的检测框采用DIOU代替IOU（交并比）进行二次匹配，提高DeepSort网络的跟踪性能；最后，开展了新跟踪算法与原DeepSort算法的对比实验，结果表明新算法的误检、漏检现象变少，鲁棒性增强，跟踪性能得到提高，MOTA提升了18.8%,IDF1提升了18.2%，身份编号转换次数降低了84次。