摘要
لمعالجة المشاكل الشائعة في تتبع المشاة في بيئات المرور المعقدة والمتغيرة مثل التغطية الجزئية وتغيير الهوية المتكرر، تم اقتراح طريقة تتبع متعددة الأهداف للمشاة تدمج بين YOLOv8 (أنت تنظر مرة واحدة فقط - الإصدار 8) ومقياس الارتباط العميق المطور (التتبع البسيط والفوري مع مقياس ارتباط عميق، DeepSORT). أولاً، لتعزيز قدرة التقاط خصائص المشاة في البيئات المرورية الكثيفة، تم اختيار خوارزمية YOLOv8 في مرحلة الكشف، حيث تتميز بفعالية عالية في معالجة الميزات ذات المقياس الصغير، مما يضمن دقة وسرعة الكشف. ثانيًا، لتلبية الحاجة الفورية لتتبع المشاة، تم إدخال شبكة OSNet (شبكة متعدد المقاييس الشاملة) كشبكة استخراج ميزات على أساس DeepSORT. توفر OSNet معلومات أكثر غنى ودقة للتتبع اللاحق من خلال استراتيجية الدمج الديناميكي متعدد المقاييس. ثم، لمعالجة قيود فلتر كالمان التقليدي في توقع المسارات غير الخطية، تم تصميم خوارزمية فلترة كالمان التكيفية مبتكرة (فلتر التنعيم، FSA) قادرة على ضبط معلمات الفلترة بمرونة، مما يعزز دقة التوقع في بيئات المرور المعقدة. علاوة على ذلك، لتحسين استقرار ودقة مطابقة البيانات أثناء التتبع، تم استبدال آلية مطابقة التقاطع بين الوحدات (IOU) الأصلية في DeepSORT بخوارزمية التقاطع الكامل (CIOU) المحسنة. تأخذ CIOU في الاعتبار درجة التداخل بين الأهداف بالإضافة إلى الشكل والحجم وغيرها من المعلومات الهندسية، مما يقلل بشكل فعال من معدلات الإغفال والأخطاء. أخيرًا، لتقليل تأثير الضوضاء المتعددة على أداء التتبع، تم إدخال مستخرج ميزات المسار (GFModel) بقدرة تعميم قوية. يقوم هذا النموذج بدمج التفاصيل المحلية والمعلومات السياقية الشاملة عن طريق تقنيات التجميع المتوسط لتحقيق تتبع دقيق وتنبؤ بمسارات المشاة الهدف. أظهرت النتائج التجريبية أن هذه الطريقة تحقق دقة تتبع تبلغ 77.9% مع سرعة معالجة تصل إلى 55.8 إطاراً في الثانية، مما يلبي متطلبات التتبع الفعّال والدقيق في بيئات المرور المعقدة.
关键词
تتبع المشاة;YOLOv8;DeepSORT;تتبع متعدد الأهداف;مطابقة الارتباط
以上内容由讯飞翻译自动生成，翻译内容仅供参考。对于因使用本网站翻译内容产生的相关后果，本网站不承担任何商业和法律责任。
The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website