基于改进YOLOv3的运动目标分类检测算法研究

提出一种基于改进YOLOv3算法的一类运动目标检测算法. 为进一步提高YOLOv3的检测精度,采用基于DIoU优化的边界框回归损失函数进行计算; 优化非极大值抑制,有效减少了目标框重叠的现象,提高检测精度; 针对运动目标检测,提出一种基于目标框多中心点位移的检测算法. 经UA-DETRAC数据集上的实验表明,改进后的算法在提高检测精度的同时保证了较快的速度,准确率和召回率相比原始YOLOv3分别提高了 8.07%和3.87%,对运动目标的检测速度可达20 fps/s,可满足实时检测的要求.     

基于改进YOLOv3模型的交通视频目标检测算法研究

针对现有的基于YOLOv3的目标检测算法在多尺度目标检测上存在速度与精度难以平衡的问题,在已有算法的基础上改进形成新的YOLOv3多尺度目标检测算法. 该算法首先通过k-means++聚类为各个尺度选择候选锚框的数量和长宽比维数,有效降低原始算法在初始聚类点所造成的聚类偏差; 其次将YOLOv3的检测尺度从3扩展到4,以提高对不同尺度下目标检测的精度; 最后为避免梯度衰落,将检测层前的6个卷积层转换为2个残差单元. 在UA-DETRAC数据集上的实验结果表明,该方法比原始YOLOv3的准确率和召回率分别提高了7.91%和4.57%,同时此算法的处理速度可实现对交通视频的实时处理.     

基于改进YOLOv5s的雾天场景车辆检测方法

为了解决现有的目标检测方法在雾天场景下存在识别准确率低、易漏检的问题,提出一种改进YOLOv5s的雾天车辆检测方法。首先,以VisDrone数据集为基础,通过大气散射模型生成轻雾数据集(LightFogVisDrone)和浓雾数据集(ThickFogVisDrone),并收集真实雾天场景图片组成混合浓度数据集(MixFogData);其次,对原始YOLOv5s的Mosaic数据增强方式进行改进,由原始的4张图片改为9张图片进行随机剪切,减少灰色背景面积,加快模型收敛,提高训练效率,在预测端之前添加CBAM注意力机制,以此来增强模型的图像特征提取能力,改善遮挡目标与小目标的漏检问题;最后,优化NMS非极大抑制值先验框,改善车辆目标的漏检问题。实验结果表明：与原始YOLOv5s相比,改进YOLOv5s在轻雾、浓雾和混合雾气状态下的平均精确率分别提高了16.14、16.16和15.05百分点。改进YOLOv5s对于雾天环境下车辆目标的检测具有有效性和实用性。     

面向复杂城市道路网络的GPS轨迹匹配算法

车辆GPS轨迹的地图匹配是交通大数据挖掘中的一项重要的基础性工作,可靠的轨迹匹配结果对于道路交通运行状态监测、实时交通信息发布、车辆定位与智能调度、出行路径选择行为分析等具有重要意义。由于城市道路网络中大量存在高架路、主辅路和立体交叉等复杂的道路场景,传统的地图匹配算法在这些场景下难以对车辆轨迹进行准确匹配。针对这一问题,该文提出一种基于道路网络拓扑结构的轨迹匹配算法,将轨迹匹配问题转换为在加权道路网络中寻找最优路径的问题。利用成都市道路网络中上万辆出租车的实际运行轨迹数据对本文算法进行了验证,结果表明在复杂的城市道路网络中应用该算法能够获得较高的匹配成功率和准确率。     

基于改进YOLOv3的复杂场景车辆分类与跟踪

针对天气条件和车辆间相互遮挡对车辆分类与跟踪准确性和稳定性的影响,提出一种基于改进YOLOv3与匹配跟踪的混合模型。改进的YOLOv3网络参照密集连接卷积网络的设计思想,将网络中的残差层替换为密集卷积块并改变网络的设计结构,利用Softmax分类器将密集卷积块与卷积层中融合的特征进行分类。根据单帧图像的检测结果,设计目标匹配函数解决视频序列中车辆的跟踪问题。在KITTI数据集的测试中,改进算法的平均准确率为93.01%,帧率达到48.98帧/s,在自建的数据集中平均识别率为95.79%。试验结果表明,本研究方法在复杂场景中能够有效的区分车辆种类且准确性更高,车辆跟踪的算法具有较高准确性和鲁棒性。     

基于改进YOLOv5的小目标检测算法

针对目标检测中小目标误检、漏检及特征提取能力不足等问题,提出一种基于改进YOLOv5的小目标检测算法.该算法使用Mosaic-8方法进行数据增强,通过增加一个浅层特征图、调整损失函数,来增强网络对小目标的感知能力;通过修改目标框回归公式,解决训练过程中梯度消失等问题,提升了小目标的检测精度.将改进后的算法应用在密集人群...     

基于改进YOLOv3的车辆前方动态多目标检测算法

现阶段的环境感知目标检测技术多为单类目标检测,或是将一幅图像中所有目标均列为待检目标,较少有对处于车辆前方的目标进行针对性的划分和检测。为了解决以上问题,提出了将车辆前方的待检目标分为两类:一是危险性较大,随时可能发生位移的动态目标,包括四轮车辆、二轮车辆和人;二是危险性较小,不会发生位移的静态目标,包括交通信号灯和交通标识。针对危险性较大的车辆前方动态多目标,提出了一种可以移植于嵌入式端的改进YOLOv3的目标检测算法,针对原始YOLOv3算法得到模型较大,难以在嵌入式端实时检测的缺点,以轻量型骨干网络MobileNetV2替换YOLOv3原始骨干网络Darknet-53进行特征提取,在训练中加入群组归一化操作,并使用Adam作为优化器。使用提取后的BDD100K数据集进行训练,利用未参与训练的BDD100K部分数据集和自采标注的Team_test数据集进行测试。研究结果表明,相比于原始YOLOv3算法,本文算法的漏检率可以维持在5%以内,在mAP提升0.020的基础上,本文模型在参数量上较YOLOv3基础模型减小了约89%,在CPU下的Inference Time缩小了约70%。     

基于多任务联合学习的多目标跟踪方法

为提高多目标跟踪方法的跟踪效率,提出一种基于锚框对齐卷积特征的目标检测-表观特征提取联合网络（AAC-JDAN）。首先,在YOLOv3目标检测网络的基础上,引入锚框变换网络与锚框对齐卷积,使网络在获得旋转目标检测能力的同时,缓解现有方法中存在的检测-表观联合网络提取的表观特征与旋转目标之间关联性弱的问题;其次,通过在检测头部网络中加入目标表观特征提取分支,以多任务联合学习的方式对目标检测和目标表观特征提取两个子任务进行合并,实现对图像底层特征的共享,在检测目标的同时输出目标对应的表观特征向量,提高跟踪算法的整体效率;最后,提出一种快速的在线数据关联方法,结合AACJDAN获取的目标表观特征和卡尔曼滤波得到的目标运动状态预测结果,计算目标与轨迹段间的相似度矩阵并使用KM(Kuhn-Munkres)算法进行匹配,实现对视频中多个旋转目标的高效跟踪。在两个公共数据集和一个自定义数据集上进行实验,TPR指标、MOTA指标和IDF-1指标分别达到了80.4%、71.3%和69.5%,帧速率达到20帧/s,表明本文方法在跟踪的实时性和准确性上达到了更好的平衡。     

基于改进YOLOv5s的水果目标检测研究

为了准确识别果树上不同的水果目标,解决对果实识别精度不理想等问题,提出一种基于YOLOv5s的改进算法。首先,在回归框预测损失上,将EIoU损失函数应用到YOLOv5s上,使目标框与锚框的宽度和高度之差达到最小;其次,在主干网络上添加ECA-Net注意力机制,以更好地提取不同果实目标的特征。实验结果表明,YOLOv5s+ECA+EIoU loss的综合性能优势明显,与现有的几种网络算法对比,改进后的算法各项数据均优于其他算法,进而验证了改进的有效性,可以为机器人采摘时的目标检测研究提供必要的技术支持。     

基于嵌入式平台的安全帽实时检测方法

基于深度学习实现施工现场人员是否佩戴安全帽的检测方法因卷积神经网络层数多、结构复杂、计算量庞大,难以在嵌入式平台上实现实时检测。针对该问题,提出一种基于改进YOLOv4-Tiny的轻量化网络算法。该算法首先通过改进特征提取网络进一步融合多尺度特征信息以提高对小目标区域的识别能力;其次通过引入EIOU损失函数提高定位精确度以及模型收敛速度;最后采用聚类算法K-means++提取先验框中心点,选取更为合适的先验框,用于提高检测的精度及速度。实验结果表明,采用改进后的算法在嵌入式平台上进行安全帽佩戴检测,均值平均精度达到92.47%,较YOLOv4-Tiny提高了12.91%,实现了每秒20.16帧的实时检测速度,达到了实时检测的要求。     

基于改进YOLOv4-Tiny的矿井电机车多目标实时检测

为解决煤矿巷道环境恶劣以及人工疲劳驾驶电机车导致煤矿井下有轨电机车事故频发的问题,提出一种基于改进YOLOv4-Tiny算法的YOLOv4-Tiny-4S矿井电机车多目标实时检测方法。首先,为了提高网络模型对于小目标的检测能力,将传统YOLOv4-Tiny的两尺度预测增加至四尺度预测,并且在网络模型的颈部引入空间金字塔池化（SPP）模块,以丰富特征融合信息,增大网络模型的感受野;其次,以煤矿巷道中的行人、电机车、信号灯以及碎石作为检测目标,创建矿井电机车多目标检测数据集,并分别采用K-means和K-means++聚类分析算法对数据集重新聚类,通过对比分析验证了K-means++算法具有更好的聚类效果;最后,通过对传统YOLOv4-Tiny算法的消融实验,进一步直观了不同改进措施对网络模型检测性能的影响,并在电机车运行的煤矿巷道场景中,对比分析了YOLOv4-Tiny-4S算法与其他几种算法的检测性能。实验结果表明：YOLOv4-Tiny-4S算法能够准确检测并识别出图像中的各类目标,其平均检测精度（mAP）为95.35%,对小目标“碎石”的平均检测精度（AP）为86.69%,相比传统YOLOv4-Tiny算法分别提高了12.38和41.66个百分点;改进后算法的平均检测速度达58.7帧/秒（FPS）,模型内存仅为26.3Mb,YOLOv4-Tiny-4S算法的检测性能优于其他算法。本文提出的基于YOLOv4-Tiny-4S矿井电机车多目标实时检测方法可为实现矿井电机车的无人驾驶提供技术支撑。     

基于改进YOLOv5s的桥梁螺栓缺陷识别方法

针对现有算法在检测桥梁螺栓缺陷时因螺栓背景复杂和尺寸较小而导致的特征提取不充分、目标定位不精确问题,提出了一种基于改进YOLOv5s的桥梁螺栓缺陷识别方法。该方法在骨干网络中引入注意力机制以提升模型对螺栓特征的提取能力并加深对螺栓全局特征的关注度;优化空间金字塔池化结构以减少螺栓特征信息流失;采用MPDIoU作为边界框回归损失函数,提高螺栓边界框的回归精度;将YOLO检测头解耦以消除目标检测中分类任务和回归任务共享检测头对边界框位置回归的负面影响。在螺栓锈蚀、螺栓松动、螺栓脱落和螺母脱落4类典型缺陷螺栓以及正常螺栓的3810张自制螺栓图像数据集上进行训练和测试,实验结果表明：本文算法对螺栓缺陷的检测精度达到90.8%,相较于YOLOv5s提升了3%,均值平均精度达到92.6%,相较于YOLOv5s提升了4.3%,可以应用于桥梁螺栓的缺陷智能识别。     

基于深度学习的OBD端口占用状态自动识别算法

针对光分路器（OBD）端口占用状态不能自动采集的问题,提出了一种改进型YOLOv3算法.增加第4个上采样特征图,提升高分辨率下密集小物体检测敏感度;针对端口固定高宽比特征,利用k-means聚类算法重新确定目标候选框个数和高宽比;提出软非极大值抑制算法,缓解端口靠近且被遮挡情况下引起的漏检、误检;针对4种疑难生产场景下的端口占用状态完成检测.实验结果表明,改进后的YOLOv3准确率达90.12%,相比原YOLOv3提升了5.17%.改进后的算法对于端口类物体具有更高的检测准确率.     

基于旋转损失函数RCIoU的SAR图像舰船目标检测方法

提出一种合成孔径雷达(synthetic aperture radar,SAR)图像旋转舰船检测方法,以提高SAR图像中旋转舰船的检测精度.从先验框设计和边界框回归公式对YOLOv4-CSP目标检测网络进行改进,加入旋转角度使其适用于基于旋转框的检测场景;提出一种基于旋转边界框外接圆和交并比的损失函数,该函数不仅考虑预...     

基于改进YOLOv5m的电动车骑行者头盔与车牌检测方法

电动车上路必须佩戴安全头盔已成为交管部门的强制性规定.为了能自动检测出电动车骑行者的头盔佩戴情况,提出一种基于改进的YOLOv5m模型的头盔与车牌检测方法,在检测出骑行者未佩戴头盔的同时还能检测出电动车车牌.模型使用自建电动车骑行者头盔与车牌检测数据集进行训练,用DIOU损失函数代替GIOU损失函数,DIOU_NMS代替加权NMS,增强模型对密集骑行场景的识别能力.在Backone部位与预测中小目标的Neck部位加入ECA注意力机制,使得模型对中小目标的识别率有所提高;用K-means算法对锚框尺寸重新进行聚类.最后,改进Mosaic数据增强方式.实验结果表明:改进的 YOLOv5m 电动车骑行者头盔与车牌检测模型的 mAP 为 92.7％,较原 YOLOv5m 模型提高 2.15个百分点,较 YOLOv4-tiny、Faster RCNN 模型分别提高 5.7个百分点与 6.9个百分点.改进后的 YOLOv5m 模型能有效提高对头盔与车牌的识别率.     

变电站场景下运动目标的检测和跟踪方法

在遮挡物较多的变电站场景下, 传统的目标跟踪算法容易出现人员跟丢、身份变换、目标被遮挡无法识别等情况, 无法做到对目标的准确实时跟踪。针对此问题, 提出了融合度量学习与卡尔曼滤波的变电站运动目标跟踪方法。首先, 采用融合多尺度特征的YOLOv3算法检测目标, 利用带权值的匈牙利算法匹配目标的历史运动轨迹; 然后, 通过卡尔曼滤波进行轨迹预测, 并应用度量学习匹配预测轨迹与历史运动轨迹, 结合目标外观特征信息, 以实现变电站内运动目标的跟踪; 最后, 以变电站场景下的人员为例进行实验, 结果表明, 人员跟踪准确率高, 且能满足变电站应用场景下的鲁棒性和实时性要求。     

基于Harris角点和SIFT算法的车辆图像匹配

车辆图像匹配广泛应用于车辆识别和跟踪,其中SIFT(Scale Invariant Feature Transform)特征匹配算法是当前国内外特征点匹配研究的热点,但针对车辆等刚体特征明显的目标,SIFT算法在时间复杂度和稳定性方面留出了改进空间.针对车辆图像匹配,本文基于Harris角点检测对SIFT算法进行改进.实验结果表明:该方法在车辆图像匹配时,稳定性和实时性优于SIFT算法.     

YOLOv3在安全帽佩戴检测中的应用研究

针对施工现场环境复杂,基于YOLOv3的安全帽佩戴检测算法存在精度低、鲁棒性差等问题,提出一种改进YOLOv3的安全帽佩戴检测算法。使用K-means算法聚类出先验框,改进了网络输出尺度;并在输出端引入了跳跃连接构成残差模块;同时改进分类损失函数以平衡正负样本、难易样本对模型的影响。为验证该方法的有效性,在NVIDIA GTX1660Ti平台上进行了验证,实验结果表明,改进后的YOLOv3安全帽佩戴检测算法平均准确率提高了4.84%,提升了对被遮挡的目标以及小目标的检测能力,具有较强的鲁棒性。     

基于改进YOLOv3的路面正负障碍物检测研究

针对减速带和凹坑等路面正负障碍物目标检测问题,本文基于YOLOv3算法基本原理,在原YOLOv3算法的基础上,采用扩增检测尺度的方法得到改进的YOLOv3算法。利用减速带和凹坑等路面正负障碍物训练集进行模型训练,通过测试集完成对训练模型的测试。测试结果表明,改进后的YOLOv3算法在路面正负障碍物的检测能力上有所提高,R_Re值提高了0.8%,R_MAP值提高了0.2%,验证了本文对原YOLOv3改进的有效性。该研究可用于智能车辆对减速带和凹坑等路面正负障碍物的检测,具有一定的实际应用价值。     

基于密集YOLOv3的印刷电路板缺陷识别

对印刷电路板加工过程中微小缺陷的精准检测是保证电子产品质量的前提。 由于电路板缺陷的特征尺寸极小,电路复杂,现有的目标检测方法存在很多不足。 针对这一问题,在 YOLOv3 算法的基础,提出了一种用于印刷电路板缺陷检测的密集 YOLOv3 目标检测算法。 首先,用密集连接卷积网络模块代替 YOLOv3 算法特征提取网络中的部分残差网络单元,增强网络的特征重用;其次,对损失函数加以改进,用预测框和真实值之间的广义交并比来解决交并比为零时无法继续优化的问题。 所提出的密集 YOLOv3 算法在扩充后的印刷电路板缺陷数据集上得到了有效地验证。 实验结果表明,与其他识别算法相比,所提算法在识别精度提高的同时,算法尺寸也有所减小。