融合深度学习与传统图像方法的交通目标检测与跟踪模型
简介：针对复杂交通场景下传统图像处理方法与深度学习方法在目标检测与跟踪中存在检测精度不足、误检漏检率高、轨迹连续性差等问题,提出了一种融合两类方法优势的协同优化框架.通过背景图像与轮廓优化提升前景提取效果,有效克服了传统方法对干扰源的敏感性问题;融合传统图像处理提取的前景像素与YOLO检测框,提出一种最小外接矩形校准机制,动态调整检测框贴合度并剔除误检框;在SORT算法框架中引入前景像素信息,通过光流场补偿增强跟踪连续性,缓解遮挡场景下的轨迹断裂与身份切换问题.实验结果表明:在复杂场景路侧数据集上,所提模型的检测IoU达到97.46%,精度为95.32%,相比YOLOv7、YOLOv11等模型,本文模型的检测精度、检测框贴合度明显提升;跟踪综合评价指标MOTA提升至 85.33%,ID切换率与轨迹断裂比例分别降低至 13.21%和27.38%,较原始SORT与DeepSORT算法提升显著.结论表明,该模型通过融合传统方法与深度学习的优势,显著提升了复杂交通场景下的检测与跟踪性能,具备重要的应用推广价值.展开
关键词：智能交通交通目标检测多目标跟踪复杂交通场景
资助基金：国家自然科学基金;52172333;四川省自然科学基金资助项目;中央高校基本业务经费
在线出版日期：2026-04-03 （网站首发日期）
