摘要：在当今世界现代信息科技不断发展和进步的时代大背景下,在我们日常生活中涉及到了许多各个领域,无时无刻不需要怀着科技精神看待各种科技技术和产品。在近年来,全球各大互联网技术公司都在对人工智能的大环境进行开发与投资,其中计算机视觉领域更是人工智能中不可忽视的一个大头。

人类通过计算机视觉技术的辅助,能在有限的视野和目标中,快速而且准确地获取到我们想要的信息,比如在数量多而且种类复杂的场景中,通过这项辅助功能,让计算机学习人类的视觉认知,自主思考和学习,从而快速对当前状况做出调整；除此之外，如何训练出更加智能的计算机视觉AI，贴近甚至超越人类的计算机视觉AI，换句话说更好地训练网络与算法也是我们不断追寻的目标，时至当今，越来越多优秀的算法与训练逻辑让AI训练效率与准确率实现质的飞跃，加持更好地硬件与软件搭配，使生活的各个角落都能搭配计算机视觉辅助管理，因此,这项技术在未来逐渐会成为流行的趋势。

本文采用YOLOv5检测算法和训练的特定模型YOLOv5s从而训练出来检测车辆特化的模型，采用DeepSORT多目标跟踪算法进行车辆位置的连续跟踪，相比于SORT算法能更好的减少遮挡所带来的同一物体ID变化的检测误差，最后通过跟踪框与检测框的IOU匹配进行逐帧匹配，通过视频文件或者摄像头输入统计车流量，导出报告，从而了解交通情况。

 

关键词：目标追踪；YOLOv5；DeepSORT

 

目录

摘要

Abstract

第1章 绪 论 1

1.1背景与意义 1

1.2 国内外研究现状 1

1.3 文章内容安排 2

第2章 工具平台选择 3

2.1 Anaconda集成平台 3

2.1.1 Anaconda主要模块 3

2.1.2 Anaconda环境创建及其部署 4

2.2 PyCharm 6

2.2.1 IDE简介 6

2.2.2 环境部署与搭建 6

第3章 YOLOv5算法 7

3.1 YOLO原理简述 7

3.1.1 YOLO算法简介 7

3.1.2 YOLOv5 网络结构及其历代改进 7

3.1.3 YOLOv5s及其他三种网络模型 9

3.2 YOLOv5部署及其代码实现 11

3.2.1 YOLOv5依赖环境 11

3.2.2 YOLOv5代码实现 12

3.3 模型训练 13

3.3.1 爬虫图片 13

3.3.2 LabelImg标注 14

3.3.3 数据预处理与转换 15

3.3.4 使用train.py训练模型 17

第4章 DeepSORT深度排序算法 20

4.1 DeepSORT原理 20

4.1.1 前身SORT 20

4.1.2 DeepSORT和SORT的区别与改进 20

4.1.3 DeepSORT算法原理简述 21

4.2 DeepSORT算法实现 22

第5章 系统功能的设计与实现 24

5.1 系统功能的的设计 11

5.1.1 通过摄像头与视频文件输入的设计 11

5.1.2 通过YOLOv5检测与DeepSORT追踪计数的设计 12

5.2 目标追踪系统的实现 11

5.2.1 通过摄像头与视频文件输入 11

5.2.2 通过视频文件输出 12

第6章 总结与展望 28

6.1 论文主要工作与不足 28

6.2 未来工作展望 28

致谢 29

参考文献 30