摘要
مواجهة مشكلات العنصرية المتغيرة في البيئة المرورية المعقدة ، مثل العوائق المحلية لتتبع المشاة وتغييرات تردد الهوية ، يقدم هذا البحث طريقة تتبع متعددة الأهداف للمشاة تدمج YOLOv8 (You Only Look Once-v8) مع القياس العميق المحسن للصلة (Simple Online and Realtime Tracking with a Deep association metric، DeepSORT). أولاً ، لتعزيز قدرة الكشف على معلومات ميزات المشاة في البيئات المرورية الكثيفة ، تم استخدام خوارزمية YOLOv8 أثناء مرحلة الكشف ، والتي تتمتع بقدرة فعالة على معالجة الميزات بشكل صغير الحجم مما يضمن الكشف الدقيق والسريع. ثانياً ، بناءً على الطلب المتزايد على تتبع الوقت الحقيقي للمشاة ، تم دمج شبكة OSNet (Omni-Scale Network) مع DeepSORT كشبكة استخراج للميزات. توفر OSNet استفادة أكبر ودقيقة للمعلومات للتتبع اللاحق من خلال استراتيجية الدمج المتعدد للمقياس. ثالثًا ، مواجهة عيوب التنبؤ بالحركة غير الخطية المقيدة لفلتر كالمان التقليدي ، تم تصميم خوارزمية فلتر كالمان لتنعيم الحركة التكيفي المبتكرة لتكييف المعلمات التصفية بشكل لافت (خوارزمية FSA) ، والتي تمكن من ضبط المعلمات بمرونة ومواجهة عدم اليقينية في حركة المشاة في البيئات المرورية المعقدة ويرفع بشكل ملحوظ دقة التوقع. بالإضافة إلى ذلك ، ولضمان استقرار ودقة التطابق البيانات خلال عملية التتبع ، تم استبدال آلية مطابقة التقاطع عبر التحسن لآليات التقاطع عبر التحسين (آلية CIOU) بآلية DeepSORT الأصلية للتطابق بنسبة التقاطع (IOU). تأخذ آلية CIOU ليس فقط في اعتبار درجة اتساع الأهداف ، وإنما أيضاً تدمج المعلومات الهندسية مثل الشكل والحجم ، مما يقلل بشكل فعال من معدلات الفقدان والكشط. وأخيرًا ، لضعف تأثير الضوضاء المتعددة على أداء التتبع ، تم إدخال استخراج ميزات المسار (GFModel) ذات القدرة العامة القوية. من خلال تقنية التعميم المتوسطة ، يدمج هذا النموذج بين تفاصيل المحلية ومعلومات السياق العامة بشكل عضوي ، مما يحقق تتبع وتوقع دقيق لمسار المشاة المستهدف. تظهر النتائج التجريبية أن هذه الطريقة ليست فقط تحقق دقة تتبع تصل إلى 77.9٪ ، ولكنها أيضًا تحافظ على سرعة تصل إلى 55.8 إطارًا في الثانية (إطار في الثانية) ، مما يلبي بشكل كامل الحاجة إلى تتبع فعال ودقيق في البيئات المرورية المعقدة.
关键词
تتبع المشاة؛ YOLOv8؛ DeepSORT؛ تتبع متعدد الأهداف؛ التطابق المرتبط