摘" 要： 在實(shí)際場(chǎng)景中，目標(biāo)之間常常存在重疊或部分遮擋的情況，若是未進(jìn)行有效的多目標(biāo)檢測(cè)以及了解變規(guī)模網(wǎng)絡(luò)重疊區(qū)域內(nèi)的節(jié)點(diǎn)狀況，會(huì)導(dǎo)致目標(biāo)跟蹤精度下降。對(duì)此，提出一種基于改進(jìn)YOLOV7的變規(guī)模網(wǎng)絡(luò)重疊區(qū)域多目標(biāo)跟蹤方法。首先，采用改進(jìn)YOLOV7對(duì)變規(guī)模網(wǎng)絡(luò)重疊區(qū)域多目標(biāo)進(jìn)行檢測(cè)；然后，在目標(biāo)檢測(cè)的基礎(chǔ)上，對(duì)多目標(biāo)軌跡特征進(jìn)行提??；最后，基于提取到的多目標(biāo)軌跡特征，已知目標(biāo)的速度、方向與距離，實(shí)現(xiàn)變規(guī)模網(wǎng)絡(luò)重疊區(qū)域的多目標(biāo)跟蹤。實(shí)驗(yàn)結(jié)果表明，所提方法的跟蹤精準(zhǔn)度最高達(dá)到98%，曼哈頓距離明顯小于對(duì)比方法，僅在0.1～-0.1之間，性能較優(yōu)，具有實(shí)用性。

關(guān)鍵詞： 多目標(biāo)跟蹤； 重疊區(qū)域； YOLOV7； 多目標(biāo)檢測(cè)； 軌跡特征提??； 曼哈頓距離

中圖分類號(hào)： TN911.23?34； TP391" " " " " " " " " "文獻(xiàn)標(biāo)識(shí)碼： A" " " " " " " " " 文章編號(hào)： 1004?373X（2024）12?0057?05

Method of improved YOLOV7 based multitarget tracking for overlapping

regions in variable scale networks

WANG Bo， CHAI Rui

（School of Computer Science and Technology， North University of China， Taiyuan 030051， China）

Abstract： In practical scenarios， there is often overlap or partial occlusion between targets. If effective multitarget detection is not carried out to understand the node status in the overlapping area of the variable scale network， it will lead to a decrease in target tracking accuracy. Therefore， an improved YOLOV7 based multi target tracking method for the overlapping area of the variable scale network is proposed. The improved YOLOV7 is used to detect multiple targets in overlapping areas of the variable scale network. On the basis of target detection， multi target trajectory features are extracted. Multitarget tracking for overlapping areas in the variable scale network is realized based on the extracted multitarget trajectory features， and the given speed， direction， and distance of the targets. The experimental results show that the proposed method has a tracking accuracy of up to 98%， and the Manhattan distance is significantly smaller than that of the comparison method， only between 0.1 and -0.1， which has better performance and practicality.

Keywords： multitarget tracking; overlapping regions; YOLOV7; multitarget detection; trajectory feature extraction; Manhattan distance

0" 引" 言

變規(guī)模網(wǎng)絡(luò)是指網(wǎng)絡(luò)規(guī)模在時(shí)間和空間上具有動(dòng)態(tài)變化的特點(diǎn)的一種網(wǎng)絡(luò)。這種網(wǎng)絡(luò)結(jié)構(gòu)可以根據(jù)實(shí)時(shí)需求、資源分配、拓?fù)浣Y(jié)構(gòu)等因素進(jìn)行動(dòng)態(tài)調(diào)整，以適應(yīng)不斷變化的環(huán)境和需求。隨著人工智能和計(jì)算機(jī)視覺技術(shù)的快速發(fā)展，對(duì)于高密度目標(biāo)的準(zhǔn)確跟蹤的需求不斷增加[1?3]；且當(dāng)場(chǎng)景中存在多個(gè)目標(biāo)時(shí)，目標(biāo)之間可能會(huì)產(chǎn)生遮擋或重疊現(xiàn)象，傳統(tǒng)方法往往難以準(zhǔn)確識(shí)別和跟蹤這些目標(biāo)。而多目標(biāo)跟蹤算法的準(zhǔn)確性和穩(wěn)定性很大程度上依賴于提取到的數(shù)據(jù)支撐，如目標(biāo)的軌跡特征、相似性信息和位置關(guān)系等。因此，研究變規(guī)模網(wǎng)絡(luò)重疊區(qū)域多目標(biāo)跟蹤方法具有重要意義[4?5]。

在廣大科研人員的不懈努力下，越來越多的用于網(wǎng)絡(luò)的多目標(biāo)跟蹤方法被提出。郭嘉等人將緩沖區(qū)與三元組損失融合，將原有的固定模板改為動(dòng)態(tài)模板，提升復(fù)雜環(huán)境下相似度判別的可靠性；然后在模板緩沖區(qū)稀疏地緩存目標(biāo)外觀以應(yīng)對(duì)跟蹤過程中非語義樣本的干擾，增強(qiáng)目標(biāo)跟蹤的魯棒性；最后應(yīng)用三元組損失以充分利用目標(biāo)的正負(fù)樣本特征，使跟蹤更加具有判別能力[6]。李輝等人基于流式分析對(duì)網(wǎng)絡(luò)重疊社區(qū)進(jìn)行識(shí)別跟蹤，對(duì)網(wǎng)絡(luò)中的邊進(jìn)行流式處理，每次只處理一條邊且每條邊僅被處理一次。根據(jù)節(jié)點(diǎn)的度、節(jié)點(diǎn)對(duì)社區(qū)的貢獻(xiàn)度以及節(jié)點(diǎn)移動(dòng)前后社區(qū)間連邊數(shù)量的變化等信息對(duì)節(jié)點(diǎn)進(jìn)行劃分[7]。盧錦亮等人研究基于孿生網(wǎng)絡(luò)的多目標(biāo)跟蹤算法，利用重識(shí)別特征對(duì)跟蹤算法進(jìn)行改進(jìn)。針對(duì)基于檢測(cè)的跟蹤框架設(shè)計(jì)的FairMOT算法中卡爾曼濾波器存在手工設(shè)計(jì)關(guān)鍵參數(shù)的問題，完成目標(biāo)跟蹤[8]。

在實(shí)際場(chǎng)景中，目標(biāo)之間常常存在重疊或部分遮擋的情況，若是未進(jìn)行有效的多目標(biāo)檢測(cè)，了解變規(guī)模網(wǎng)絡(luò)重疊區(qū)域內(nèi)的節(jié)點(diǎn)狀況，會(huì)導(dǎo)致目標(biāo)跟蹤精度下降[9]。對(duì)此，在以上研究方法的基礎(chǔ)上，提出一種基于改進(jìn)YOLOV7的變規(guī)模網(wǎng)絡(luò)重疊區(qū)域多目標(biāo)跟蹤方法。

1" 變規(guī)模網(wǎng)絡(luò)重疊區(qū)域多目標(biāo)檢測(cè)

為了實(shí)現(xiàn)高性能的多目標(biāo)跟蹤，需要獲取到每個(gè)目標(biāo)的位置，了解變規(guī)模網(wǎng)絡(luò)重疊區(qū)域內(nèi)的節(jié)點(diǎn)狀況，從而為后續(xù)的跟蹤任務(wù)提供關(guān)鍵信息，以提高跟蹤效率。YOLOV7算法通過目標(biāo)檢測(cè)任務(wù)，能快速高效地識(shí)別節(jié)點(diǎn)中的多個(gè)目標(biāo)。由于在變規(guī)模網(wǎng)絡(luò)重疊區(qū)域場(chǎng)景中，YOLOV7檢測(cè)精度可能相對(duì)較低，為了確保實(shí)現(xiàn)多目標(biāo)跟蹤，有效進(jìn)行網(wǎng)絡(luò)重疊區(qū)域研究，對(duì)YOLOV7算法進(jìn)行改進(jìn)，以提高檢測(cè)精度。選取效率最高的YOLOV7基礎(chǔ)模型[10?11]加以改進(jìn)，用于檢測(cè)變規(guī)模網(wǎng)絡(luò)重疊區(qū)域中的多個(gè)目標(biāo)，以滿足精度、準(zhǔn)確度、速度等各項(xiàng)需求。

YOLOV7基礎(chǔ)模型包含輸入端、骨干網(wǎng)絡(luò)和頭部網(wǎng)絡(luò)，各部分功能描述如下。

1） 輸入端：利用混合訓(xùn)練（Mix up）算法[12]處理網(wǎng)絡(luò)節(jié)點(diǎn)，為權(quán)重訓(xùn)練提供基礎(chǔ)數(shù)據(jù)。

2） 骨干網(wǎng)絡(luò)：該部分由ELAN結(jié)構(gòu)與MP結(jié)構(gòu)組成。前者可豐富網(wǎng)絡(luò)節(jié)點(diǎn)特征，加強(qiáng)模型魯棒性；后者能縮短特征提取時(shí)間。

3） 頭部網(wǎng)絡(luò)：該部分由基于跨階段局部網(wǎng)絡(luò)[13]的空間金字塔池化結(jié)構(gòu)、金字塔結(jié)構(gòu)及基于VGG16網(wǎng)絡(luò)[14]的推理模型組成。三者的作用分別是擴(kuò)大感受野、保留關(guān)鍵特征，檢測(cè)小目標(biāo)特征，加快推理速度，縮短檢測(cè)時(shí)間。

在變規(guī)模網(wǎng)絡(luò)重疊區(qū)域場(chǎng)景下，不同目標(biāo)之間的相互遮擋、重疊都會(huì)增加檢測(cè)的難度，而傳統(tǒng)的損失函數(shù)處理重疊問題的效果并不理想。交并比損失函數(shù)可以更準(zhǔn)確地衡量目標(biāo)檢測(cè)在重疊區(qū)域的檢測(cè)能力，以區(qū)分和定位重疊目標(biāo)。故從交并比損失函數(shù)入手，改進(jìn)YOLOV7算法，提高檢測(cè)性能。為賦予損失函數(shù)對(duì)實(shí)況框與預(yù)測(cè)框重疊情況的描述能力，在YOLOV7中采用完全交并比損失函數(shù)。該函數(shù)的長(zhǎng)寬比僅表示縱橫比差異，預(yù)測(cè)框的高和寬在對(duì)應(yīng)梯度內(nèi)并不與之同步變化，故綜合重疊損失[LIOU]、長(zhǎng)寬比損失[Lv]與中心距離損失[Ld]，并引入調(diào)節(jié)因子[η]，獲取新的損失函數(shù)。

假設(shè)實(shí)況框是[A]，寬、高為[wz]、[hz]，預(yù)測(cè)框是[B]，寬、高為[w]、[h]，兩框中心各是[bz]、[b]，交并比是[IOUA，B]，最小外接矩形寬、高為[wc]、[hc]，則獲取改進(jìn)YOLOV7算法的損失函數(shù)，以實(shí)現(xiàn)變規(guī)模網(wǎng)絡(luò)重疊區(qū)域多目標(biāo)檢測(cè)，其表達(dá)式為：

[ψ=η?LIOU+Lv+Ld=η?1-IOUA，B+ρb，bzwchc2+ρw，wzwc2+ρh，hzhc2]" " （1）

式中[ρ·，·]代表兩點(diǎn)間的歐氏距離。

基于上述改進(jìn)YOLOV7算法實(shí)現(xiàn)變規(guī)模網(wǎng)絡(luò)重疊區(qū)域多目標(biāo)檢測(cè)，為后續(xù)的多目標(biāo)跟蹤提供有效幫助。

2" 變規(guī)模網(wǎng)絡(luò)重疊區(qū)域多目標(biāo)跟蹤

2.1" 多目標(biāo)軌跡特征提取

在上述變規(guī)模網(wǎng)絡(luò)重疊區(qū)域多目標(biāo)檢測(cè)的基礎(chǔ)上，對(duì)多目標(biāo)軌跡特征進(jìn)行提取，以進(jìn)一步輔助目標(biāo)在重疊區(qū)域中的跟蹤?；谏鲜鰴z測(cè)結(jié)果，獲取同一目標(biāo)的大量軌跡。若目標(biāo)的軌跡標(biāo)識(shí)是[id]，軌跡上點(diǎn)[pi]的時(shí)間戳是[ti]，該時(shí)刻目標(biāo)的經(jīng)緯度為[Ji]、[Wi]，則點(diǎn)[pi]的界定式為：

[pi=id，ti，Ji，Wi，ψ] （2）

由此推導(dǎo)出軌跡界定式：

[G=p1，p2，…，pn]" （3）

式中，[i]表示點(diǎn)數(shù)，[i∈n]。

為了提取出更具代表性和穩(wěn)定性的目標(biāo)運(yùn)動(dòng)特征，通過以下步驟充分提取多目標(biāo)軌跡特征。

1） 運(yùn)動(dòng)速度判定：基于目標(biāo)的運(yùn)動(dòng)速度預(yù)測(cè)目標(biāo)未來的運(yùn)動(dòng)路徑，對(duì)于目標(biāo)跟蹤的持續(xù)性和準(zhǔn)確性非常重要，可為目標(biāo)的跟蹤和路徑規(guī)劃提供依據(jù)。目標(biāo)從點(diǎn)[pi]運(yùn)動(dòng)到點(diǎn)[pi-1]的速度通過下式求解：

[vi，i-1=Ji-Ji-1，Wi-Wi-12Gti-ti-1]" （4）

2） 方向判定：通過分析目標(biāo)在網(wǎng)絡(luò)節(jié)點(diǎn)中的位置變化，結(jié)合上一節(jié)點(diǎn)或多節(jié)點(diǎn)的軌跡信息，可以計(jì)算目標(biāo)的運(yùn)動(dòng)方向，用于識(shí)別和分類不同類型的目標(biāo)行為?；诙鄬訒r(shí)空切片法，劃分軌跡為多條切片。若[s]條切片的長(zhǎng)度均為[l]，則第[j]條的均值點(diǎn)界定式為：

[pj=i=1j·lJi?vi，i-1l，i=1j·lWi?vi，i-1l]" （5）

利用從點(diǎn)[pi]運(yùn)動(dòng)到點(diǎn)[pi-1]的速度，獲取該均值點(diǎn)的鄰近點(diǎn)運(yùn)動(dòng)向量序列：

[V=Jj+1-Jj?pj，Wj+1-Wj]" "（6）

由此得到各包含[s1]、[s2]條切片的兩條軌跡的運(yùn)動(dòng)向量序列[Vs1]、[Vs2]。根據(jù)余弦相似性，利用下式解得兩個(gè)軌跡的相似度，實(shí)現(xiàn)最大化判定方向一致性。

[ξ=Vs1Vs2Vs12Vs22] （7）

3） 特征軌跡提取：根據(jù)各均值點(diǎn)間的距離最小值，判定軌跡正確性。通過距離計(jì)算實(shí)現(xiàn)特征軌跡的提取。[DG1，G2]公式為：

[DG1，G2=JG1-JG2ξ，WG1-WG22] （8）

基于上述流程得到多目標(biāo)軌跡特征。多目標(biāo)軌跡特征中包含了目標(biāo)在時(shí)間序列中的速度、方向與距離，這些信息可以幫助變規(guī)模網(wǎng)絡(luò)更好地理解目標(biāo)的動(dòng)態(tài)行為和運(yùn)動(dòng)模式，以更準(zhǔn)確地進(jìn)行目標(biāo)的跟蹤預(yù)測(cè)。

2.2" 多目標(biāo)跟蹤實(shí)現(xiàn)

基于上述提取到的多目標(biāo)軌跡特征，了解目標(biāo)的速度、方向與距離，并將其作為多目標(biāo)跟蹤的數(shù)據(jù)支撐，實(shí)現(xiàn)多目標(biāo)跟蹤。運(yùn)行流程各步驟描述如下。

1） 社區(qū)檢測(cè)可以幫助提供關(guān)于變規(guī)模網(wǎng)絡(luò)中節(jié)點(diǎn)之間的相似性或關(guān)聯(lián)性的信息。這些信息可以應(yīng)用于變規(guī)模網(wǎng)絡(luò)重疊區(qū)域多目標(biāo)跟蹤中，用于輔助目標(biāo)的關(guān)聯(lián)和匹配。其中，一個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)可以同時(shí)屬于多個(gè)社區(qū)，設(shè)定跟蹤目標(biāo)1，根據(jù)其軌跡特征，持續(xù)標(biāo)記其節(jié)點(diǎn)的中心方位。

2） 若改進(jìn)YOLOV7算法檢測(cè)到網(wǎng)絡(luò)中有新目標(biāo)2，則節(jié)點(diǎn)中心坐標(biāo)為[Zx2，y2]，判定其與各社區(qū)重疊區(qū)域的位置關(guān)系為：

[Zx2，y2=αx+βylt;0，" 在區(qū)域內(nèi)=0，" 在線上gt;0，" 在區(qū)域外] （9）

式中[αx+βy]指區(qū)域邊界的直線方程。當(dāng)目標(biāo)在區(qū)域內(nèi)時(shí)，進(jìn)入下一步；反之，則賦予其新的標(biāo)記，跳至最后一步。

3） 設(shè)定閾值，獲取重疊社區(qū)里各目標(biāo)[Zxm，ym]到區(qū)域邊界的距離，用于確定目標(biāo)是否在重疊區(qū)域以內(nèi)，以完成目標(biāo)跟蹤，表達(dá)式為：

[RZxm，ym，DG1，G2=S2△ZPFdPF?ψ] （10）

式中，[P]、[F]為區(qū)域邊界生成時(shí)位于線上的兩個(gè)基準(zhǔn)點(diǎn)，[dPF]表示兩點(diǎn)間距；[S△ZPF]代表兩基準(zhǔn)點(diǎn)與目標(biāo)交點(diǎn)構(gòu)成的三角形面積。

3" 實(shí)驗(yàn)分析

3.1" 實(shí)驗(yàn)環(huán)境

為了驗(yàn)證本文所提改進(jìn)YOLOV7方法的有效性和實(shí)用性，分別采用不同規(guī)模的人工合成網(wǎng)絡(luò)進(jìn)行對(duì)比實(shí)驗(yàn)，并選用文獻(xiàn)[6]方法與文獻(xiàn)[7]方法作為對(duì)比方法。采用LRF程序生成人工合成網(wǎng)絡(luò)，用以測(cè)試算法在不同規(guī)模網(wǎng)絡(luò)數(shù)據(jù)集下的目標(biāo)跟蹤性能，詳細(xì)參數(shù)如表1所示。其中，[N]表示網(wǎng)絡(luò)的節(jié)點(diǎn)數(shù)；[k]表示網(wǎng)絡(luò)的平均度；[on]表示網(wǎng)絡(luò)中重疊節(jié)點(diǎn)的比例；[μ]表示混淆系數(shù)。

3.2" 實(shí)驗(yàn)指標(biāo)

以目標(biāo)跟蹤精準(zhǔn)度來分析各方法的重疊區(qū)域多目標(biāo)跟蹤性能，表達(dá)式為：

[acc=TPTP+FP×100%] （11）

式中：[TP]代表跟蹤成功的目標(biāo)個(gè)數(shù)；[FP]代表跟蹤丟失的目標(biāo)個(gè)數(shù)。

曼哈頓距離（Manhattan Distance）又稱為[L1]距離，用于衡量目標(biāo)跟蹤的位置準(zhǔn)確性，以評(píng)估目標(biāo)的位置偏差程度。[L1]表達(dá)式為：

[L1=x2-x1+y2-y1] （12）

式中：[x1，y1]表示預(yù)測(cè)目標(biāo)位置的坐標(biāo)；[x2，y2]表示實(shí)際目標(biāo)位置的坐標(biāo)。

3.3" 結(jié)果分析

為客觀說明三種方法對(duì)重疊區(qū)域的多目標(biāo)跟蹤能力，采用目標(biāo)跟蹤精準(zhǔn)度、曼哈頓距離等指標(biāo)評(píng)估整體性能。

1） 多目標(biāo)跟蹤測(cè)試結(jié)果

采用三種對(duì)比方法對(duì)變規(guī)模網(wǎng)絡(luò)中重疊區(qū)域的多目標(biāo)進(jìn)行跟蹤，結(jié)果如圖1所示。

根據(jù)圖1可以看出：所提方法的多目標(biāo)跟蹤效果最好，跟蹤結(jié)果與實(shí)際結(jié)果一致；而文獻(xiàn)[6]方法與文獻(xiàn)[7]方法均出現(xiàn)了跟蹤偏差的現(xiàn)象。由此說明，所提方法的多目標(biāo)跟蹤效果較優(yōu)。所提方法通過改進(jìn)YOLOV7算法的可靠檢測(cè)與目標(biāo)軌跡特征的充分提取，能夠成功跟蹤絕大多數(shù)的目標(biāo)。

2） 目標(biāo)跟蹤精準(zhǔn)度測(cè)試結(jié)果

基于表1中的參數(shù)進(jìn)行目標(biāo)跟蹤精準(zhǔn)度測(cè)試，三種方法的跟蹤精準(zhǔn)度測(cè)試結(jié)果如表2所示。

根據(jù)表2可以看出，所提方法的跟蹤精準(zhǔn)度明顯高于其他兩個(gè)對(duì)比方法。所提方法的跟蹤精準(zhǔn)度最高達(dá)到98%，而對(duì)比方法的跟蹤精度均低于90%。由此說明，所提方法的跟蹤性能明顯優(yōu)于對(duì)比方法。

3） 曼哈頓距離測(cè)試結(jié)果

基于表1中的參數(shù)進(jìn)行曼哈頓距離測(cè)試，三種方法的曼哈頓距離測(cè)試結(jié)果如圖2所示。

根據(jù)圖2可以看出：所提方法的曼哈頓距離明顯小于對(duì)比方法，僅在0.1～-0.1之間；而文獻(xiàn)[6]方法的曼哈頓距離在0.15～-0.2之間，文獻(xiàn)[7]方法的曼哈頓距離在0.25～-0.25之間。由此說明，所提方法性能較優(yōu)，具有實(shí)用性。

4" 結(jié)" 論

變規(guī)模網(wǎng)絡(luò)是指網(wǎng)絡(luò)規(guī)模在時(shí)間和空間上具有動(dòng)態(tài)變化特點(diǎn)的一種網(wǎng)絡(luò)。這種網(wǎng)絡(luò)結(jié)構(gòu)可以根據(jù)實(shí)時(shí)需求、資源分配、拓?fù)浣Y(jié)構(gòu)等因素進(jìn)行動(dòng)態(tài)調(diào)整，以適應(yīng)不斷變化的環(huán)境和需求。對(duì)此，本文提出一種基于改進(jìn)YOLOV7的變規(guī)模網(wǎng)絡(luò)重疊區(qū)域多目標(biāo)跟蹤方法。實(shí)驗(yàn)結(jié)果表明，所提方法的跟蹤精準(zhǔn)度最高達(dá)到98%，曼哈頓距離明顯小于對(duì)比方法，僅在0.1～-0.1之間，性能較優(yōu)，具有實(shí)用性。

參考文獻(xiàn)

[1] DINH D L， NGUYEN H N， THAI H T， et al. Towards AI?based traffic counting system with edge computing [J]. Journal of advanced transportation， 2021（Pt.5）： 5551976.1?5551976.15.

[2] 范珍珍，黃小華.微機(jī)械傳感器網(wǎng)絡(luò)區(qū)域重疊節(jié)點(diǎn)優(yōu)化調(diào)度方法研究[J].傳感技術(shù)學(xué)報(bào)，2022，35（12）：1707?1711.

[3] KANDASAMY S， MANGAI S. A smart transportation system in VANET based on vehicle geographical tracking and balanced routing protocol [J]. International journal of communication systems， 2021， 34（4）： e4714.1?e4714.13.

[4] KUMAR M， MONDAL S. Recent developments on target tracking problems： A review [J]. Ocean engineering， 2021， 236： 109558.1?109558.20.

[5] WANG J， SONG Y， JIANG H， et al. Prototype development of multi?target tracking system for space multi?node laser communication network [J]. Optik， 2023， 274： 170552.

[6] 郭嘉，王鵬，楊永俠，等.結(jié)合緩沖區(qū)與三元組損失的孿生網(wǎng)絡(luò)目標(biāo)跟蹤[J].激光與光電子學(xué)進(jìn)展，2021（20）：365?374.

[7] 李輝，張建朋，陳福才.基于流式分析的大規(guī)模網(wǎng)絡(luò)重疊社區(qū)發(fā)現(xiàn)算法[J].電子學(xué)報(bào)，2022，50（8）：1951?1958.

[8] 盧錦亮.基于孿生網(wǎng)絡(luò)的多目標(biāo)跟蹤算法[J].科技創(chuàng)新與應(yīng)用，2021，11（27）：27?31.

[9] 賽斌，曹自強(qiáng)，譚躍進(jìn)，等.基于目標(biāo)跟蹤與軌跡聚類的行人移動(dòng)數(shù)據(jù)挖掘方法研究[J].系統(tǒng)工程理論與實(shí)踐，2021，41（1）：231?239.

[10] 薛震，張亮亮，劉吉.基于改進(jìn)YOLOv7的融合圖像多目標(biāo)檢測(cè)方法[J].兵器裝備工程學(xué)報(bào)，2023，44（6）：166?172.

[11] 王金鵬，周佳良，張躍躍，等.基于優(yōu)選YOLOv7模型的采摘機(jī)器人多姿態(tài)火龍果檢測(cè)系統(tǒng)[J].農(nóng)業(yè)工程學(xué)報(bào)，2023，39（8）：276?283.

[12] 張?jiān)?，化青龍，姜義成，等.基于混合型復(fù)數(shù)域卷積神經(jīng)網(wǎng)絡(luò)的三維轉(zhuǎn)動(dòng)艦船目標(biāo)識(shí)別[J].電子學(xué)報(bào)，2022，50（5）：1042?1049.

[13] 曹楨淼，吉衛(wèi)喜，蘇璇，等.基于擴(kuò)展跨階段局部網(wǎng)絡(luò)的表面缺陷檢測(cè)[J].計(jì)算機(jī)集成制造系統(tǒng)，2022，28（8）：2399?2407.

[14] 陳瑞瑞.協(xié)同式網(wǎng)絡(luò)多尺度重疊區(qū)域圖像偏色檢測(cè)仿真[J].計(jì)算機(jī)仿真，2020，37（4）：352?355.