1.一种基于改进的YOLOv3‑DeepSort的仿生机器鱼检测跟踪方法,其特征在于,包括:构建特征提取网络:为在保证相对较高的精度同时提高实时性,将残差模块的个数分别调整为1、1、2、2、1,构建了Darknet‑20特征提取网络;引入空间金字塔池化结构:为了应对机器鱼自身运动形变带来的尺度变化,在56×56和28×28两个预测尺度上引入SPP模块,其中SPP模块结构为包含三个分别为9×9、5×5、13×13大小的最大池化层,对全局特征与局部特征进行融合,提高对运动状态下的机器鱼检测跟踪的鲁棒性;改进损失函数:仿生机器鱼的定位通常依赖精准的边界框回归,为了提高定位的准确性和检测精度,因此采用CIoU对损失函数进行改进;建立DeepSort跟踪模型:将改进的YOLOv3检测网络与DeepSort进行关联,利用改进YOLOv3网络获取目标边界框与特征向量,通过DeepSort模型进行目标匹配、跟踪、预测与更新。
2.如权利要求1所述的一种基于改进YOLO‑DeepSort的仿生机器鱼检测跟踪方法,其特征在于:所述的改进特征提取网络,对基于全局摄像头或配备由图像采集模块的仿生机器鱼采集的数据图像进行特征提取,为保证精度、提高实时性,构建了Darknet‑20特征提取网络,该特征提取网络中的残差模块的个数分别为1、1、2、2、1。
3.如权利要求1所述的一种基于改进YOLO‑DeepSort的仿生机器鱼检测跟踪方法,其特征在于:所述的引入空间金字塔池化结构,为了应对机器鱼自身运动形变带来的尺度变化,经过特征提取网络之后,在56×56和28×28两个预测尺度上引入SPP模块,对全局特征与局部特征进行融合,提高对运动状态下的机器鱼检测跟踪的鲁棒性;同时,对损失函数进行改进,引入CIoU进行优化改进,提高仿生机器鱼的定位效果,所述CIoU函数如下所示:
其中, b表示预测框的中心点坐标,bgt表示标注框的中心点坐标,c表示预测框与标注框的最小外接矩形, ρ表示两个中心点坐标的欧氏距离,α、v表示比例因子, w、h分别表示gt gt
预测框的宽高, w 、 h 分别表示标注框的宽高。
4.如权利要求1所述的一种基于改进YOLO‑DeepSort的仿生机器鱼检测跟踪方法,其特征在于,建立DeepSort模型,将上述改进YOLOv3模型与DeepSort模型关联,利用改进YOLOv3网络获取目标边界框与特征向量,通过DeepSort模型进行目标匹配、跟踪、预测与更新;本公开公开了一种基于改进YOLO‑DeepSort的仿生机器鱼检测跟踪方法,包括:通过建立改进的YOLOv3目标检测网络,建立DeepSort跟踪模型,通过目标检测模型获取目标边界框与特征向量,将其送入DeepSort模型,通过DeepSort模型进行目标匹配、跟踪、预测与更新。