基于改进YOLOv8和DeT的红外小目标跟踪算法研究.pdf

基于改进YOLOv8和DeepSORT的红外小目标跟踪算法研究

摘要

红外成像技术在夜间以及恶劣气候等条件下能够获得较好的图像质量，清晰展现红

外图像中的人、车等敏感目标，因此被广泛应用于监视、安防等特殊场合，实现目标检

测与跟踪。目前，在安防场景下，红外小目标跟踪面临诸多挑战，包括目标俯视角、远

距成像、目标运动速度快、目标微弱，以及受到固有噪声和自然环境因素的影响等。因

此，实现对红外小目标图像的准确检测和稳定跟踪成为亟待解决的问题。本文旨在研究

红外安防场景下的小目标检测及跟踪算法，通过对现有算法的适应性改进，提高算法的

鲁棒性和准确率。本文的主要工作如下：

（1）针对红外安防场景中小尺寸目标存在的图像分辨率低、难以提取具有鉴别力

的特征、易受环境因素影响等问题，以及现有目标检测算法对小尺寸目标检测效果较差

的情况，本文以YOLOv8s为基线模型，对网络进行了针对性的设计。引入尺度序列特

征融合（ScaleSequenceFeatureFusion，SSFF）和三重特征编码器（TripleFeatureEncoder，

TFE）两个模块的思想，对检测模型的Neck部分进行改进，以获取更多尺度的信息，增

强对密集小目标的检测能力；基于SSFF思想，增加小目标检测头，提高深层与浅层特

征信息的融合，加强网络对小尺寸目标特征的提取能力；为降低检测模型的参数量，对

占据参数量近30%的检测头进行轻量化设计，采用了共享参数和分组卷积的方法。经在

红外小目标数据集上验证，改进后的模型在测试集中的mAP达到93.7%，其准确率、召

回率、mAP分别提升了1.3%、2.2%、2.3%，充分验证了改进算法的有效性。

（2）针对红外安防场景中人车目标跟踪过程中小目标漏检、误检以及IDSwitch频

繁的难点问题，本文详细剖析了DeepSORT多目标跟踪算法。为提高对红外人车小目标

状态预测的准确度，缓解因目标突然转换运动状态（如车辆突然加速、行人奔跑跳跃）

而产生的跟丢等问题，在卡尔曼滤波模块上引入交互式多模型，建立了交互式多模型卡

尔曼滤波（InteractingMultipleModelKalmanFilter，IMM-KF）算法来对目标状态进行估

计。同时，建立了红外小目标重识别数据集，并针对DeepSORT算法中特征提取模型体

积较大的问题，引入了轻量化网络ShuffleNetV2作为特征提取模型进行重训练，以在保

证跟踪精度的前提下减小模型的体积。经在红外测试视频上验证，改进后跟踪算法的

MOTA达到了54.41%，MOTP达到了86.23%，重识别特征提取模型大小缩减至2.5M。

相较于YOLOv8s+DeepSORT算法，改进算法的MOTA提升了5.87%，MOTP提升了

6.51%，IDSwitch降低了38.8%，重识别模型大小减少至原来的6%。在针对遮挡以及难

哈尔滨工程大学专业学位硕士学位论文

检小目标的实验中，通过可视化分析，充分展示了本文改进算法在处理IDSwitch、误

检、漏检等问题上的改善效果。因此，本文改进的跟踪模型有效改善了安防场景下红外

人车小目标的跟踪效果，对智能安防监控的发展具有重要意义。

关键词：智能红外监控；多目标跟踪；小目标检测；YOLOv8；DeepSORT

基于改进YOLOv8和DeepSORT的红外小目标跟踪算法研究

Abstract

Infraredimagingtechnologycanachievegoodimagequality,especiallyinlow-light

conditionsandadverseweather,effectivelyrevealingsensitivetargetssuchashumansand

vehiclesininfraredimages.Therefore,itiswidelyappliedinspecializedareaslikesurveillance

andsecurityfortargetdetection