申请/专利权人：兰州交通大学

申请日：2023-06-30

公开（公告）日：2023-09-22

公开（公告）号：CN116797979A

主分类号：G06V20/40

分类号：G06V20/40;G06N3/0464;G06N3/08;G06V10/82;G06T7/277;G06V10/774;G06V10/22;G06V10/764

优先权：

专利状态码：在审-实质审查的生效

法律状态：2023.10.13#实质审查的生效;2023.09.22#公开

摘要：本申请涉及交通流检测模技术领域，具体涉及基于改进YOLOv5与DeepSORT的小模型交通流检测方法、装置及系统。本方法包括：获取包含交通场景的数据信息，交通场景的数据信息用于对目标的检测与跟踪；基于改进的YOLOv5对包含交通场景的数据信息做目标检测模型训练；基于改进的DeepSORT对目标检测模型检测的交通场景的目标做目标跟踪模型训练车辆重识别数据集进行不同车辆的重识别训练；基于改进的YOLOv5的目标检测模型和基于改进的DeepSORT的目标跟踪模型对输入的交通场景目标检测和跟踪；获取所述交通场景的交通信息，并对交通场景的交通信息可视化展示。本方法能够增加大大减少改进后检测器模型的总参数量，增加了并维持模型的检测精度在可控范围内。

主权项：1.基于改进YOLOv5与DeepSORT的小模型交通流检测方法，其特征在于，包括：获取包含交通场景的数据信息，所述交通场景的数据信息用于对目标的检测与跟踪；以及基于改进的YOLOv5对所述包含交通场景的数据信息做目标检测模型训练；其中，所述改进的YOLOv5采用C2f模块替换所述YOLOv5模型的C3模块；其中，所述C2f模块使用多个Bottleneck模块进行残差连接；以及基于改进的DeepSORT对所述目标检测模型检测的所述交通场景的目标做目标跟踪模型训练；其中，所述改进的基于改进的DeepSORT为基于SORT算法增加深度学习组件；其中，所述改进的DeepSORT中的深度学习组件Deep对车辆重识别数据集进行不同车辆的重识别训练；其中，所述改进的DeepSORT使用卡尔曼滤波作为预测组件；其中，所述改进的DeepSORT修改所述跟踪目标的初始化、新生与消失；以及基于所述改进的YOLOv5的所述目标检测模型和基于所述改进的DeepSORT的所述目标跟踪模型对输入的交通场景目标检测和跟踪；以及获取所述交通场景的交通信息，并对所述交通场景的交通信息可视化展示。

全文数据：

权利要求：

百度查询： 兰州交通大学 基于改进YOLOv5与DeepSORT的小模型交通流检测方法、装置及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD