基于小型Zynq SoC硬件加速的改进TINY YOLO实时车辆检测算法实现

针对TINY YOLO车辆检测算法计算量过大，且在小型嵌入式系统中难以达到实时检测要求的问题。利用小型Zynq SoC系统的架构优势以及TINY YOLO的网络权值中存在大量接近零的权值参数这一特点，提出硬件并行加速的改进算法，称为浓缩小型深度网络（Xerantic-TINY YOLO，X-TINY YOLO）车辆检测算法。首先对TINY YOLO中网络结构进行压缩；其次采用高效多级流水线、流水线内全并行的方式对卷积计算部分进行算法加速；最后提出与网络结构相配合的数据切割和传输方案。实验结果表明，X-TINY YOLO仅消耗50%的片内硬件资源，可在相对于GPU和CPU性价比更高更适合嵌入式场景的Zynq SoC系统上实现，且其检测速度达到24帧/s，满足车辆检测的实时性要求。     

基于高分辨率SAR影像和深度学习的输电杆塔智能识别研究

近年来,强降雪、洪涝等极端气象灾害频发,对输电线路安全运行造成巨大挑战。星载合成孔径雷达技术(SAR)技术作为一种广域、全天时、全天候的新型感知技术,可实现大范围输电线路受灾情况的快速评估。针对复杂背景下的高分辨率SAR影像中的电塔识别问题,文章提出一种结合YOLO v2和VGG模型级联的Two-Stage目标检测算法。在Stage-1阶段,基于YOLO v2对整景SAR影像进行电塔检测;在Stage-2阶段,基于VGG对Stage-1的检测结果进行假阳性消除。以2018年1月强降雪后某地的COSMO影像为例进行测试,结果表明电塔召回率可达85. 7%,证明文中方法可较准确地识别整景SAR影像的电塔目标。     

基于整体和个体分割融合的双人交互行为识别

在人类交互行为识别领域,基于RGB视频的局部特征往往不能有效区分近似动作,将深度图像（Depth）与彩色图像（RGB）在识别过程中进行融合,提出一种融合Depth信息的整体和个体分割融合的双人交互行为识别算法。该算法首先分别对RGB和Depth视频进行兴趣点提取,在RGB视频上采用3DSIFT进行特征描述,在Depth视频上利用YOLO网络对左右两人兴趣点进行划分,并使用视觉共生矩阵对局部关联信息进行描述。最后使用最近邻分类器分别对RGB特征和Depth特征进行分类识别,进一步通过决策级融合两者识别结果,提高识别准确率。结果表明,结合深度视觉共生矩阵可以大大提高双人交互行为识别准确率,对于SBU Kinect interaction数据库中的动作可以达90%的正确识别率,验证了所提算法的有效性。     

融合YOLO检测与均值漂移的目标跟踪算法

针对视频目标跟踪算法中物体快速移动以及均值漂移算法误差累积造成的目标漂移问题,提出了一种融合YOLO（You Only Look Once）与均值漂移的目标跟踪算法。采用图像增强机制对视频帧进行预处理,在保持图像信息的同时去除光照强度的干扰;为了降低YOLO算法的计算复杂度,使用二分类器区分目标和背景进行物体的快速检测。根据目标物体的位置信息,使用均值漂移处理后续图像序列,并对目标物体进行检测更新,避免物体快速移动造成目标漂移问题,从而进行有效的检测跟踪。实验结果表明,该算法与DLT（Deep Learning Tracker）算法相比,运算效率提高了12.56%,跟踪精度提高了10.2%,能够较好地适应物体快速移动,具有较强的鲁棒性和实时性。     

基于YOLO算法的红外图像目标检测的改进方法

传统红外图像行人检测方法利用人工进行比例模板设计和行人轮廓特征提取,由于预设模板比例相对固定,当行人因衣着增减、随身携带物品及姿态改变等原因使其轮廓比例发生较大变化时,往往会导致算法失灵而出现漏检现象。而基于深度学习的目标检测则通过对大量样本的本质特征进行抽象、提取、加工和整合,进而实现对更多样特征的学习。因此利用深度学习目标检测算法进行红外图像行人检测应用的研究可以弥补传统检测方法的不足。YOLOv3是目前性能较为均衡的识别算法,本文在分析YOLOv3系列算法的原理和特点的基础上提出了一个新的改进算法模型——Darknet-19-yolo-3,在几乎不损失检测精度的条件下提升检测速度,一定程度上实现检测准确率和速度的相对平衡。     

YOLO算法在安检异常图像中的研究

在人口密集场所中,安检是保证公共安全的重要手段。针对人工安检在遇到客流高峰或突发情况时,安检的效率和准确率易受到影响且存在安全隐患的问题,基于YOLO算法,提出了一种改进的Dense-YOLO目标检测算法。通过借鉴稠密网络中特征融合方式改进网络结构;采用改进的K-means算法对自制异常图像数据集进行目标框维度聚类;将卷积层中的卷积和批量归一化进行整合,提升计算效率;采用多尺度训练方式,增强模型对不同尺寸的鲁棒性。实验结果表明,利用改进后的Dense-YOLO算法提升了对小目标的检测,针对安检中可疑物进行检测,mAP达到了91.68%,检测速度提高到59?f/s。改进后的算法有效提升了安检的效率和准确率,一定程度上消除安全隐患。     

改进YOLO V3的道路小目标检测

针对通用目标检测算法在检测小目标时存在效果不佳及漏检率较高等问题,提出了一种基于改进YOLO V3的道路小目标检测算法。对YOLO V3算法网络模型中的聚类算法进行优化,使用DBSCAN+K-Means聚类算法对训练数据集聚类分析,选取更合适的Anchor Box,以提高检测的平均精度和速度;同时引入Focal Loss损失函数代替原网络模型中的损失函数形成改进的YOLO V3算法。进而与其他目标检测算法在KITTI数据集上对行人目标进行对比检测,发现改进的YOLO V3算法能够有效降低小目标漏检率,大大提高检测的平均精度和检测速度。实验结果表明,在KITTI数据集上,改进的YOLO V3算法检测目标的平均精度达到92.43%,与未改进的YOLO V3算法相比提高了2.36%,且检测速度达到44.52?帧/s。     

基于双模型的输电线绝缘子自爆检测算法

针对输电线路无人机巡检图像中绝缘子自爆缺陷目标小而难以精准检测的问题,提出一种基于Faster R-CNN和改进的YOLO v3级联双模型的绝缘子自爆缺陷检测算法。首先,利用无人机巡检图像构建绝缘子串缺陷数据集,并对训练图像样本进行翻转预处理,增加样本数量,提高模型泛化能力,避免过拟合;然后,利用Faster R-CNN检测图像中的绝缘子串,再将检测到的绝缘子串图像送入改进的YOLO v3网络进行自爆缺陷的定位。改进的YOLO v3网络是在YOLO v3基础上借鉴FPN的思想,增加特征提取层并进行特征融合,充分利用深层特征和浅层特征;同时采用CIoU Loss函数作为损失函数,以解决边界框宽高比尺度信息。实验结果表明,本文算法在所构建的绝缘子缺陷数据集上的检测准确率达到91.2%,相比Faster R-CNN或YOLO v3等单模型检测算法提升了3.31个百分点以上,能有效实现无人机巡检中绝缘子自爆缺陷的检测,为输电线路智能化巡检故障诊断提供方法支持。     

基于改进YOLO v4光线模糊场景下交通标志检测

近些年,自动驾驶开始进入人们的视线。对于自动驾驶而言,模糊光线场景下的交通标志检测是其中极其重要的一部分。目前YOLO v4算法广泛用于目标检测,虽然它的检测精度相比于其他YOLO版本有着较大的提高,但是还没有达到预期的精度。为了进一步提高检测交通标志的精度,本文在原有YOLO v4的基础上作一定的改进并与MSRCR图像增强处理相结合。首先将作为训练的图片通过MSRCR算法达到图像增强的目的,并将其作为目标检测的训练集图像。使用Darknet-53的YOLO v4网络,通过labelImg标注BelgiumTS交通信号数据集,使用改进的K-means++聚类算法确定先验框和具体参数并且改进路径聚合网络(PANet)结构和损失函数,将数据集进行训练。实验结果表明,改进后的算法与原本的YOLO v4算法相比较,平均精度提高了1.86个百分点。     

实时目标检测算法YOLO的批再规范化处理

针对实时目标检测YOLO(You Look Only Once)算法中存在的检测精度低和网络模型训练速度慢等问题,结合批再规范化算法处理小批样本以及非独立同分布数据的优势,提出了在YOLO网络结构加入批再规范化处理的改进算法。该YOLO改进算法把卷积层经过卷积运算产生的特征图看作一个个神经元,然后对这些神经元进行规范化处理。同时,在网络结构中移除了Dropout,并增大了网络训练的学习率。实验结果表明,该改进算法相对于原YOLO算法具有更高的检测精度、更快的实时检测速度以及通过适当设置批样本大小可使网络模型在训练时间和硬件设备方面成本有一定的降低。