基于改进YOLOX与多级数据关联的行人多目标跟踪算法研究

目标跟踪是计算机视觉领域的基本问题，行人多目标跟踪在智能监控、智慧交通等多个领域有着广泛的应用前景。然而实际跟踪场景中存在频繁遮挡、尺度变化等情况，给多目标跟踪算法带来了极大的挑战。为了进一步提升跟踪精度，在DeepSORT的基础上，提出一种基于改进YOLOX与多级数据关联的行人多目标跟踪算法。对于检测器，为了增强网络的特征表达能力，提高检测精度，在YOLOX骨架网络与颈部网络分别引入ECA通道注意力模块与ASFF自适应特征融合模块。对于身份识别特征，为了减少数据关联步骤的错误匹配数量，提高跟踪效率，使用轻量的OSNet重识别网络与NSA卡尔曼滤波获取目标特征。对于数据关联，为了减少身份切换次数，避免目标丢失，将检测与跟踪都进行分类处理，使用不同的相似性计算方法，实现基于检测置信度与轨迹状态的多级数据关联。实验结果表明：与改进前YOLOX与DeepSORT简单结合的算法相比，在YOLOX中引入ECA模块与ASFF模块使误检数量大幅降低，使用YOLOX-s模型时降幅可达17%；结合OSNet模型与NSA卡尔曼滤波的特征提取方法能提高跟踪稳定性，IDF1指标提高0.77%,IDSW减少94...