《表3 与不同经典行人目标跟踪模型性能对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于YOLOv3检测和特征点匹配的多目标跟踪算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

本文实验配置环境基于英伟达1080 Ti、CUDA9.0以及Win10系统，算法开发基于Python语言和Darknet-53深度学习框架，跟踪可视化基于Open CV。实验样本选自洛桑联邦理工学院CVLAB数据库，分别为露台、楼前广场2个场景。本文仅选取与几个经典的方法进行对比分析，具体数据如表3所示。可以看出，传统基于HOG+SVM和光流法的行人目标跟踪模型，虽然取得了不错的平均精度，但较大计算量加上复杂的测试场景，造成了实时性不理想。露台测试场景中的背光视频，导致了基于颜色直方图的Mean Shift行人目标跟踪模型的平均精度受到较大影响。基于Kalman滤波的行人目标跟踪模型，虽能克服光照变化的影响，但对于行人间的遮挡和行人快速移动会出现目标跟踪丢失的情况。不同复杂环境下，本文跟踪算法模型在精度和速度上表现都相对优越。截取本文跟踪算法部分帧不同环境下跟踪效果见图8～图10，实验结果表明本文算法在背光、行人目标快速移动、部分遮挡等条件下均能实现较好的跟踪。