基于红外场景下的人员目标跟踪方法.pdf

第 51 卷收稿日期：2023年2月6日，修回日期：2023年3月12日作者简介：张宸玮，男，硕士研究生，研究方向：计算机视觉。1引言本文的研究工作主要基于多目标跟踪领域（Multi-object Tracking，MOT），因为目标跟踪需要建立前后两帧图像之间目标的联系。多目标需要实现邻接两帧之间相同目标的数据联系，还存在着遮挡、目标较小、目标相似度明显、运动轨迹起止时间未知等问题。多目标跟踪包括两类，第一类为以检测为核心的跟踪，第二类则将初始框作为核心，进而实现高效的智能化跟踪7。DFT与单目标跟踪有相似之处，它们都不能够脱离于人工标注的环节。如果采用人工初始化的方式，那么其往往难以标记首帧中并未发现的目标，而多目标跟踪本身包含目标不断消失出现的场景，因此未被人工初始化的目标将无法被跟踪。人工标注的不完整性影响跟踪结果的稳定性，因此TBD比DFT更常用，本文主要基于TBD进行研究。本文提出了一种基于Yolov4-tiny和Deepsort8的红外人员目标跟踪方法，其重点涵盖模型训练、跟踪等多个环节。Deepsort 是基于 TBD 策略的MOT算法，通过设计检测结果和跟踪预测结果的关联策略实现跟踪。该方法具有较高的检测精度基于红外场景下的人员目标跟踪方法张宸玮（中国石油大学（华东）青岛266000）摘要针对红外场景下目标跟踪算法识别效率低、跟踪成功率低等问题，提出一种改进的Yolov4-tiny与Deepsort结合的红外目标跟踪方法。使用红外热像仪采集红外图像，对改进的Yolov4-tiny网络模型进行训练，改进后的Yolov4-tiny网络模型在保证检测精度的同时，大大提高了检测速度；识别过程中通过训练好的网络模型对输入图像进行特征提取，获取人员目标信息；跟踪过程采用卡曼尔滤波与匈牙利算法相结合的方式处理运动信息和数据关联，完成对目标的跟踪。设计对比实验将论文提出的方法与Yolov4、Yolov4-tiny、Yolox方法进行对比，结果表明：该方法在检测精度、跟踪成功率和实时性因素方面对红外场景下人员目标跟踪效果最优。关键词多目标跟踪；红外成像；Yolov4-tiny；Deepsort；深度学习中图分类号TP391DOI：10.3969/j.issn.1672-9722.2023.08.020Personnel Target Tracking Method Based on Infrared SceneZHANG Chenwei（China University of Petroleum（East China），Qingdao266000）AbstractAiming at the problems of low recognition efficiency and low tracking success rate of target tracking algorithm in infrared scene，an improved infrared target tracking method combining Yolov4-tiny and Deepsort is proposed.the infrared image iscollected by infrared thermal imager，and training within the improved Yolov4-tiny network model.The improved Yolov4-tiny network model greatly improves the detection speed while ensuring the detection accuracy.In the recognition process，the trained network model is used to extract the features of the input image and obtain the personnel target information.In the tracking process，thecombination of Kalman filter and Hungarian algorithm is used to process the motion information and data association to complete thetarget tracking.A comparative experiment is designed to compare the proposed method with the Yolov4，Yolov4-tiny and Yolox，theresults show that the proposed method has the best tracking effect for human targets in infrared scenes in terms of detection accuracy，tracking success rate and real-time factors.Key Wordsmulti-target tracking，infrared imaging，Yolov4-tiny，Deepsort，deep learningClass NumberTP391总第 406 期2023 年第 8 期计算机与数字工程Computer&Digital EngineeringVol.51 No.817922023 年第 8 期计算机与数字工程及较快的检查速度，可以满足夜间红外场景下人员实时跟踪的要求。2红外人员目标跟踪方法本文提出了融合 Yolov4-tiny 与 Deepsort 的红外人员目标跟踪方法，其流程如图1所示。首先利用AIIR型号红外成像仪器采集图像作为训练集，训练Yolov4-tiny模型。然后用训练好的模型对夜晚红外场景进行人员检测。最后，利用Deepsort算法对人员检测结果进行跟踪，从而得到清晰而准确的人员跟踪结果。输出目标跟踪结果红外图像采集改进Yolov4-tiny目标检测Deepsort目标跟踪算法图1红外人员目标跟踪方法流程图2.1改进的Yolo_v4-tiny目标检测算法本文采用Yolov4-tiny算法对红外人员目标进行实时检测。Yolov4-tiny是一类应用较为广泛的算法，它对于常规的嵌入式平台具有良好的适用性。与Yolov4相比，检测精度在一定程度上下降，然而其能够可靠地进行模型压缩，可以明显优化检测效率。在确保检测速率符合要求的条件下，为了有效增加算法精度，本文做出如下改进：1）在特征层后增加一个分支，将 Yolov4-tiny 的输出大小为26*26*128。13*13*256 的特征图在经过 DBL（卷积+批量标准化+激活函数Relu）变换后，与另一个相同尺寸的特征图叠加为有效特征层，其尺寸大小为 26*26*128；2）在第一个有效特征层之后，添加三个空洞率分别为1、3、5的平行深度可分离卷积层，以扩大特征层的感受野。在经过连接之后，通过1*1卷积和DBL变换作为第二个有效特征层；3）改进特征融合网络。在第二个有效特征层经过DBL变换后添加残差网络，之后进行卷积与上采样，最后经由Yolo_head输出第一个预测结果。2.1.1改进的特征提取网络本节解决了模型的特征提取网络 CSPDarknet53-tiny不能充分利用各个尺度的信息的问题。对底层特征（128）进行DBL变换，并通过1*1卷积调整大小，与前面的特征合并。融合结果结合中层特征（256）作为第一有效特征层，增强模型对小目标的特征提取能力；同时，在第一个有效特征层之后，引入三种不同空洞率的平行连接。融合结果通过卷积加标准化操作，再经由DBL变换进行调整，作为第二有效特征层。改进后的特征提取网络结构图如图2所示，其中SepConV_Bn为包含深度可分离空洞卷积10的卷积块。残差模块Resblock body（26，26，128）改进的CSPDarknet53-Tiny网络构图输入图像（416，416，3）DBL变换（卷积+标准化+激活函数）DarknetConv2D_BN_Leaky（208，208，32）DBL变换DarknetConw2D_BN_Leaky（208，208，32）残差模块Resblock body（52，52，64）深度卷积+标准化+激活函数Depthwiseconv2D+BN+Relu6残差模块Resblock body（13，13，256）卷积+标准化Conv2D+BNDBL变换DarknetConv2_BN_Leaky（13，13 512）（26，26，256）深度可分离空洞卷积块SepConw_BN（rate=1）深度可分离空洞卷积块SepConw_BN（rate=3）深度可分离空洞卷积块SepConw_BN（rate=5）深度卷积+标准化+激活函数Conv2D+BN+Relu深度可分离空洞卷积Speconv_BN深度空洞卷积DepthConv2D（rate=1，2，5）标准化+激活函数BN+Relu卷积Conv2D标准化+激活函数BN+Relu图2改进的特征网络结构图1793第 51 卷空洞卷积很大程度上表现出不规则的特点，可根据实际需求对感受野进行调节，并有效减少计算量。其思想是扩大每个卷积核像素之间的距离。相比正常卷积，其加入了空洞率参数，下图具体展示了空洞卷积的整体情况。图3（a）为正常卷积，图3（b）为空洞率为2的空洞卷积。与前者相比，后者的感受野明显增加。然而，在对感受野进行拓展的过程中，某些像素值并未加入卷积操作，使卷积具有信息丢失的现象；为解决这一问题，本节在设计三个并行空洞卷积时，将空洞率分别设为1、3、5，即小空洞率聚焦短距离信息，大空洞率聚焦长距离信息。同时，通过深度可分空洞卷积替换传统的空洞卷积，其大幅度缩减了计算量。（a）正常卷积（b）空洞卷积图3正常卷积与空洞卷积的比较2.1.2改进的特征融合网络Yolov4-tiny中，采用FPN结构对输出的两个有效特征层进行简单的特征融合。过程如下：最后一个有效特征层卷积后再上采样，一方面通过 yolo_head处理第一个预测结果，另一方面与前一个输出的有效特征层叠加，再由yolo_head处理输出第二个预测结果。本文引入一种改进的反残差网络来增强FPN的特征融合能力。图4为标准残差网络、反残差网络和改进反残差网络的结构比较图，其中 n 是输入通道的数量、t 为输出通道的数量、C为压缩或扩展通道的倍数。残差网络使用跳转连接来解决神经网络中的退化问题，从图4的比较可以看出，标准残差网络图4（a）首先通过1*1的卷积压缩通道数，此后应用3*3卷积完成标准化的提取特征，最后通过1*1卷积恢复特征映射的通道数。在对特征通道进行压缩和扩展的过程中，会存在破坏特征表达并导致信息丢失的问题；而反残差网络图4（b）则相反，先通过1*1卷积扩展通道，然后使用3*3的卷积提取特征，最后使用1*1的卷积映射到原始通道数量；为了加深网络深度，降低计算复杂度，本节采用了改进方法，对图4（c）的后一块反残差块进行了改进，将图4（b）中的3*3常规卷积替换为3*3深度卷积。改进后的算法总体结构如图5所示。卷积Conv 11 C=n/tn激活函数卷积Conv 33 C=n/t激活函数卷积Conv 11 C=n激活函数卷积Conv 11 C=ntn激活函数卷积Conv 33 C=nt激活函数卷积Conv 11 C=n激活函数卷积Conv 11 C=ntn激活函数深度卷积DWConv 33 C=nt激活函数卷积Conv 11 C=n激活函数（a）标注残差网络（b）反残差网络（c）改进反残差网络图4标准残差网络、反残差网络、改进反残差网络的比较2.2Deepsort目标跟踪算法Deepsort目标跟踪检测算法是基于sort目标追踪算法的改进，引入离线训练深度学习模型，在实时目标跟踪过程中，对待跟踪目标特征加以提取匹配。在遮挡的条件下其依然能够体现出理想的跟踪效果11。Deepsort跟踪框架结构如图6所示。根据要求对ID编号进行初始化，此后结合预测公式对检测框位置实现准确预测，如此就能够获取后续的状态参数。除此之外，我们可以通过匈牙利匹配算法对各目标所涵盖的特征展开比较，假如特征距离未超过限定的阈值，则判定两帧内的框与特定的ID号相对应，如此就实现了高效的目标关联，假如特征距离相对较大，则判定两者的ID号具有偏差，然后开始后续的匹配操作。单假设追踪方法是 Deepsort目标跟踪算法的核心，主要采用卡尔曼滤波的递归方法完成所采集逐帧红外图像的数据关联。Deepsort算法需在匹配计算中加入目标外观信息，因此在目标受遮挡情况下仍可实现图像ID的精准匹配。张宸玮：基于红外场景下的人员目标跟踪方法17942023 年第 8 期计算机与数字工程Deepsort目标跟踪算法的流程如图7所示。残差模块Resblock body（26，26，128）改进的CSPDarknet53-Tiny网络构图输入图像（416，416，3）DBL变换（卷积+标准化+激活函数）DarknetConv2D_BN_Leaky（208，208，32）DBL变换DarknetConw2D_BN_Leaky（208，208，32）残差模块Resblock body（52，52，64）深度卷积+标准化+激活函数Depthwiseconv2D+BN+Relu6残差模块Resblock body（13，13，256）卷积+标准化Conv2D+BNDBL变换DarknetConv2_BN_Leaky（13，13 512）（26，26，256）深度可分离空洞卷积块SepConw_BN（rate=1）深度可分离空洞卷积块SepConw_BN（rate=3）深度可分离空洞卷积块SepConw_BN（rate=5）深度卷积+标准化+激活函数Conv2D+BN+Relu改进的CSPDarknet53-Tiny网络构图DBL变换DarknetConw2D_BN_Leaky（26，26，256）卷积Depthwiseconv2D（13，13（classes+5）*3）（26，26，384）Yolo headDBL变换+上采样DarknetConv2D_BN_Leaky+upsampling（26，26，128）卷积残差块Conv_Block（13，13，256）DBL变换DarknetConv2D_BN_Leaky（13，13，512）DBL变换DarknetConv2D_BN_Leaky（13，13，256）卷积Depthwiseconv2D（13，13（classes+5）*3）Yolo head图5改进的Yolo_v4-tiny网络结构图CNN特征匹配开始否否否是否匹配到目标HOG特征匹配提取相应特征和初始化是是是是是否匹配到目标IOU匹配结束检测框均已匹配两框是否匹配分配到下一个ID否下一个检测框更新目标状况并输出跟踪结果图6Deep sort 跟踪框架结构确定跟踪状态是否正常开始图像输入检测状态估计参数初始化Iou作业更新矩阵结束级联匹配将小于置信度结果删除图7Deepsort算法流程图1795第 51 卷从图7中可以看出，Deepsort目标跟踪检测算法包括状态估计、轨迹处理以及级联匹配等过程。传统sort算法需将跟踪框以及检测框的IoU状态作为算法输入，跟踪框以及检测框匹配结果需利用匈牙利算法实现，而Deepsort算法需同时考虑目标外观信息以及运动信息关联12，目标检测以及目标轨迹跟踪匹配通过融合度量方法实现。通过马氏距离表示运动信息的关联度，该种距离是跟踪器预测框与检测框间的距离，马氏距离表达式如下：利用马氏距离对运动数据的关联度进行具体表示，其对应的表达式为l()1()ij=()lj-yiTZ-1i()lj-yi（1）在上述式子中，lj与yi先后指代的是j的位点和i预测目标的位置；Zi在此处指代的是平均跟踪位置与检测位置之间存在的协方差矩阵13。由公式可知，Deepsort算法可依据特定标准差分析目标跟踪过程中状态测量的波动情况，该种标准差利用马氏距离通过平均跟踪位置与检测位置运算获取14。根据要求对95%置信区间展开计算，此处可以结合逆2分布情况展开分析。阈值化处理表达式如下：b()2ij=l2()ij t2（2）当所设置的阈值t()1高于其中某次所关联的马氏距离时，表示跟踪运动状态的目标的运动信息已成功关联15。红外成像监控为测量空间，设置马氏距离阈值为9.5988。用lj表示红外图像检测块，用rj表示利用CNN（Convolutional Neural Networks）模型所获取的特征向量，设定特征向量限制条件为 rj=1。当前目标图像内检测结果j的特征向量与跟踪器i所关联特征集间最小余弦距离表达式如下：l()2()ij=min1-rTjr()ik|r()ikRi（3）当所获取结果低于已设置阈值时，表明所关联目标外观信息为成功状态。线性加权以上度量方式实现融合关联方式的最终度量，关联方式融合表达式如下：Gij=l()1()ij+()1-l()1()ij（4）其中，表示关联系数。当运动信息以及目标外观信息关联均符合所设置阈值条件时，融合关联方式16。短期预测与匹配以及长时间遮挡情况下分别采用距离度量方法以及外观特征度量方法获取有效的跟踪结果。3实验与分析3.1实验数据由于针对油田场景下的红外图像数据集很少，因此本文使用384*288分辨率非制冷焦平面探测器，焦距25mm的AIIR型号红外热像仪拍摄的6个夜间油田场景人员视频，制作红外图像数据集。其中，特别采集了一定数量的存在快速运动、障碍物遮挡的红外人员图像，以测试目标识别模型的环境适应性和鲁棒性。数据集包括8000张油田场景下人员红外图像，选取其中7000幅作为训练集，1000幅作为测试集。此外，为检测本文方法的跟踪稳定性与帧率，特选取一部分视频用于测试。3.2模型训练由于本文使用的数据集与其他开源的数据集差异较大，因此采用监督学习的方式训练改进的Yolov4-tiny网络模型。在训练的过程中主要应用Adam 算法，在此处 momentum=0.957，初始学习率learing_rate=0.0013，steps=8000，subdivisions=16，每中输入batch/subdivisions=2张图片，从而有效降低显存压力；除此之外，输入图像的规格一般情况下设置为 416*416，此后在部署网络中完成训练工作，此时的显存为8.5G。在进行训练的时候，各参数的的变化情况具体参考如图8。由图8可知，当step=6400时，网络模型趋于稳定，在通过反复的训练之后成功收敛至0.1145，此时的mAP等于87.2%。3.3评价指标选取检测准确率 P（precision）、召回率 R（recall）作为检测精度的评价指标：P=TpTp+Fp100%（5）R=TpTp+Fn100%（6）式中：Tp为正确检测出人员目标的数量；Fp为将非人员目标检测为人员目标的数量；Fn为未能检测到人员目标的数量。本文还使用反投影误差来体现目标与图像间变换精度。反投影误差指不同帧图像中匹配点对的匹配程度，反投影误差可体现目标与图像间变换精度。用()disi表示匹配点对，其中si与di分别表示监控视频图像以及目标图像中的点，H表示投影距离，定义反投影误差表达式如下：张宸玮：基于红外场景下的人员目标跟踪方法17962023 年第 8 期计算机与数字工程E=iTsi-Hdi2（7）目标跟踪成功率是成功跟踪目标的图像帧数与系统所采集总视频图像帧数之比。反投影误差低于所设置阈值的图像即目标跟踪成功，设置反投影误差门限为10个像素，反投影误差高于10个像素时，表示为目标跟踪失败状态。3.4实验结果与分析选取处理视频序列的平均帧率作为跟踪速度的指标。围绕目标检测的精度、目标跟踪的成功率以及检测跟踪速度3个方面，将本文提出的方法、融合YOLOv4-tiny与Deepsort方法、融合Yolov4与Deepsort方法、融合YOLOX与Deepsort方法进行比较。首先在红外图像测试集上选取不同数量的人员目标，使用以上四种算法进行测试，结果如图9所示。18.016.014.012.010.08.06.04.02.00.00800160024003200400048005600640072008000图8损失函数loss和均值平均精度mAP的变化曲线（a）改进Yolov4-tiny+deepsort（b）Yolov4-tiny+deepsort（c）YoloV4+deepsort（d）YoloX+deepsort图9不同跟踪方法对红外图像人员目标跟踪结果1797第 51 卷根据表 1可知，YoloX+deepsort在红外测试集中检测准确率、跟踪成功率最高，检测时帧率最慢。改进后的Yolov4-tiny+deepsort算法与原始Yolov4+deepsort算法相比，检测的准确率和召回率分别下降了1.3%和0.8%，检测精度下降不大，跟踪成功率和平均帧率分别上涨了1.3%和 23%，跟踪速度大大提升。4结语本次研究充分利用了检测算法准确度高、跟踪算法跟踪效果出众的特点，设计了一类改良的目标跟踪方法，其很大程度上以空洞卷积为基础，并将轻量级Yolov4与Deepsort进行衔接。除此之外，本文结合红外图像特征所表现出的特性进行分析，根据预设目标对Yolov4网络展开优化，最后利用检测网络对红外视频涵盖的对象实现特征提取，给出目标类型并确定目标的检测框；接着将检测框中的目标信息作为Deepsort多目标跟踪算法的初始化信息，计算前后两帧目标之间的匹配程度，为每个对象分配ID，得到最终的识别结果。通过设计对比实验可知，本文探讨的方法在各个方面都表现出明显优势，比如其检测精度符合要求，跟踪成功率处于较高的水平，实时性均十分出众，鲁棒性也非常理想，可以将其用于解决夜晚追踪困难、人力管控时效性差、管控内容涵盖多、现场巡检监督薄弱及投入人力成本高等问题。实现高效规范作业行为、节约人力资源、提高工作效能、为油田作业安全提供进一步保障。参 考 文 献1Rajkumar S，Mouli C，Pvss R.Pedestrian detection in infrared images using local thresholding C/Second International Conference on Electronics and CommunicationSystems.IEEE，2015.2高小明.影响红外热像仪测量精度的因素分析 J.华电技术，2008（11）：4-7.GAO Xiaoming.Analysis of factors affecting the measurement accuracy of infrared thermal imagerJ.HuadianTechnology，2008（11）：4-7.3王欢，张玉清，陈双刚，等.基于ARM平台的实验室视频监控系统设计 J.计算机工程与设计，2018，39（5）：1302-1309.WANG Huan，ZHANG Yuqing，CHEN Shuanggang，etal.Design of laboratory video surveillance system based onARM platformJ.Computer Engineering and Design，2018，39（5）：1302-1309.4Kim C，Li F，Ciptadi A，et al.Multiple Hypothesis Tracking Revisited C/IEEE International Conference on Computer Vision.IEEE，2015.5Hu H，Zhou L，Guan Q，et al.An Automatic TrackingMethod for Multiple Cells Based on Multi-Feature FusionJ.IEEE Access，2018，6：69782-69793.6L Leal-Taix，Ferrer C C，Schindler K.Learning bytracking：Siamese CNN for robust target association C/IEEE Conference on Computer Vision&Pattern Recognition Workshops.IEEE，2016.7Luo W，Xing J，Zhang X，et al.Multiple Object Tracking：A Literature Review J.Eprint Arxiv，2015.8Liu W，Anguelov D，Erhan D，et al.SSD：Single ShotMultiBox Detector C/European Conference on Computer Vision.Springer，Cham，2016.9Redmon J，Divvala S，Girshick R，et al.You Only LookOnce：Unified，Real-Time Object Detection J.IEEE，2016.10Yu F，Koltun V.Multi-scale context aggregation by dilated convolutions（2015）J.ArXiv Preprint ArXiv：1511.07122，2016.11Wojke N，Bewley A，Paulus D.Simple Online and Realtime Tracking with a Deep Association MetricJ.IEEE，2017：3645-3649.12Zhou X，Koltun V，P Krhenbhl.Tracking Objects as表1不同跟踪方法对红外图像人员目标跟踪性能指标算法改进Yolov4-tiny+deepsortYolov4-tiny+deepsortYolov4+deepsortYolox+deepsort准确率/%95.384.196.697.5召回率/%88.377.689.187.4跟踪成功率/%95.585.694.295.8平均帧率/fps42311911图 9 可见，在进行测试的各部分图像中，YoloV4网络、YoloX网络和改进的YoloV4-tiny网络均能正确检测出人员目标，原始的Yolov4-tiny网络在第三幅图中漏检了一个目标，在准确率相差较小的情况下，基于空洞卷积改进的Yolov4-tiny网络的帧率高出前两个网络，说明改进的YoloV4-tiny网络在针对实时的目标检测速度方面更具优势。表1给出了四种算法在红外图像测试集上跟踪性能指标。张宸玮：基于红外场景下的人员目标跟踪方法17982023 年第 8 期计算机与数字工程Points J.ArXiv，2020.13Naruse T，Kawasaki T，Hattori T.Simple Modelling andStrength Evaluation Methods for Bolt Joints Using ShellElements and Beam ElementsJ.Journal of Computational Science&Technology，2009，3（1）：34-45.14Baek I，Lee H，Cho B K，et al.Shortwave infrared hyperspectral imaging system coupled with multivariablemethod for TVB-N measurement in pork J.Food Control，2020：107854.15He K，Zhang X，Ren S，et al.Spatial Pyramid Poolingin Deep Convolutional Networks for Visual RecognitionC/IEEE Transactions on Pattern Analysis&MachineIntelligence，2014：1904-1916.16D Comaniciu，Meer P.Mean shift：a robust approach toward feature space analysisJ.IEEE Trans PatternAnalysis&Machine Intelligence，2002，24（5）：603-619.17Trujillo V E，Hinders M K.Container monitoring withinfrared catadioptric imaging and automatic intruder detection J.SN Applied Sciences，2019.18Saif M，Kwanten W J，Carr J A，et al.Non-invasivemonitoring of chronic liver disease via near-infrared andshortwave-infrared imaging of endogenous lipofuscin J.Nature Biomedical Engineering，2020（Suppl.1）：1-13.19魏鸣宇.基于相关滤波的视觉目标跟踪改进算法 D.西安：西安电子科技大学，2017.WEI Mingyu.Improved visual target tracking algorithmbased on correlation filtering D.Xian：Xian University of Electronic Science and Technology，2017.20吴小俊，徐天阳，须文波.基于相关滤波的视频目标跟踪算法综述 J.指挥信息系统与技术，2017，8（3）：1-5.WU Xiaojun，XU Tianyang，XU Wenbo.Overview ofvideo target tracking algorithms based on correlation filtering J.Command Information System and Technology，2017，8（3）：1-5.21 Redmon J，Farhadi A.YOLO9000：Better，Faster，Stronger J.IEEE，2017：6517-6525.22谢晓方，刘厚君，张龙杰，等.融合轻量级 YOLOv4与KCF算法的红外舰船目标识别 J.兵器装备工程学报，2021，42（06）：175-182.XIE Xiaofang，LIU Houjun，ZHANG Longjie，et al.Infrared ship target recognition based on lightweight YOLOv4 and KCF algorithm J.Journal of Weapon Equipment Engineering，2021，42（6）：175-182.23张漫辉.基于DeepSort框架的高鲁棒多行人跟踪算法研究 D.哈尔滨：哈尔滨工业大学，2020.ZHANG Manhui.Research on high robust multi-pedestrian tracking algorithm based on DeepSort frameworkD.Harbin：Harbin Institute of Technology，2020.ence on Intelligent Robots and Systems（IROS）.IEEE，2019：1285-1292.12Grisetti G，Kmmerle R，Stachniss C，et al.A tutorialon graph-based SLAM J.IEEE Intelligent Transportation Systems Magazine，2010，2（4）：31-43.13王忠立，赵杰，蔡鹤皋.大规模环境下基于图优化SLAM 的后端优化方法 J.哈尔滨工业大学学报，2015（7）：75-85.WANG Zhongli，ZHAO Jie，CAI Hegao.A survey ofback-end optimization method for graph-based SLAMunder large-scale environment J.Journal of Harbin Institute of Technology，2015（7）：75-85.14梁明杰，闵华清，罗荣华.基于图优化的同时定位与地图创建综述 J.机器人，2013（4）：500-512.LIANG Mingjie，MIN Huaqing，LUO Ronghua.Graph-based SLAM：A Survey J.Robot，2013（4）：500-512.15Lin W，Hu J，Xu H，et al.Graph-based SLAM in indoor environment using corner feature from laser sensorC/2017 32nd Youth Academic Annual Conference ofChinese Association of Automation（YAC）.IEEE，2017：1211-1216.16Geiger A，Lenz P，Stiller C，et al.Vision meets robotics：The kitti dataset J.The International Journal of Robotics Research，2013，32（11）：1231-1237.（上接第1781页）1799