基于改进的YOLOv3多目标小尺度车辆检测算法研究

针对传统车辆检测算法效率低、漏检率高、对小目标车辆检测效果不好等问题,提出一种改进的YOLOv3车辆检测算法。使用K-means++对训练标签进行聚类,确定车辆检测的anchor box;将特征提取能力更强的EfficientNet作为特征网络,并采用4个特征尺度融合深层的语义信息和浅层的位置信息,提升小尺度车辆的检测效率;引入CIoU和Focal loss函数,提高了网络收敛速度和检测精度。实验结果表明,在UA-DETRAC和自建的数据集上,所提算法的MAP、Recall和FPS分别达到90.9%、88.3%和30帧每秒,提升了小目标车辆的检测精度。     

融合非临近跳连与多尺度残差结构的小目标车辆检测

目的 基于深度卷积神经网络的目标检测模型易受复杂环境（遮挡、光照、远距离、小目标等）影响导致漏检、误检和目标轮廓特征模糊的问题,现有模型难以直接泛化到航拍场景下的小目标检测任务。为有效解决上述问题,提出一种融合非临近跳连与多尺度残差结构的小目标车辆检测算法（non-adjacent hop network you only look once version 5s multi-scale residual edge contour feature extraction strategy,NHN-YOLOv5s-MREFE）。方法 首先,设计4种不同尺度的检测层,根据自身感受野大小,针对性地负责不同尺寸车辆的检测。其次,借鉴DenseNet密集跳连的思想,构建一种非临近跳连特征金字塔结构（non-adjacent hop network,NHN）,通过跳连相加策略,在强化非临近层次信息交互的同时融合更多未被影响的原始信息,解决位置信息在传递过程中被逐渐稀释的问题,有效降低了模型的误检率。然后,以减少特征丢失为前提,引入反卷积和并行策略,通过参数学习实现像素填充和突破每1维度信息量的方式扩充小目标细节信息。接着,设计一种多尺度残差边缘轮廓特征提取策略（multi-scale residual edge contour feature extraction strategy,MREFE）,遵循特征逐渐细化的原则,构建多尺度残差结构,采用双分支并行的方法捕获不同层级的多尺度信息,通过多尺度下的高语义信息与初始浅层信息的逐像素作差实现图像边缘特征提取,进而辅助网络模型完成目标分类。最后,采用K-Means++算法使聚类中心分散化,促使结果达到全局最优,加速模型收敛。结果 实验结果表明,非临近跳连的特征金字塔与多尺度残差结构的多模态融合策略,在提升模型运行效率,降低模型计算资源消耗的同时,有效提升了小目标检测的准确性和鲁棒性。通过多场景、多时段、多角度的样本数据增强,强化了模型在不同场景下的泛化能力。最后,在十字路口、沿途车道双场景下包含多种车辆类型的航拍图像数据集上,对比分析4种主流的目标检测方法,本文算法的综合性能最优。相较于基准模型（YOLOv5s）,精确率、召回率和平均精度均值分别提升了13.7%、1.6%和8.1%。结论 本文算法可以较好地平衡检测速度与精度,以增加极小的参数量为代价,显著地提升了检测精度,并能够自适应复杂的交通环境,满足航拍场景下小目标车辆检测的实时性需求,在交通流量、密度等参数的测量和统计,车辆定位与跟踪等场景下有较高的应用价值。     

基于YOLOV4的车辆检测系统

本文针对多场景下的道路检测算法系统识别类型偏少和识别数量不精准等问题,提出了一种基于YOLOv4算法的轻量级的目标检测方法,模型包含了大部分常见车辆类型。本文方法 MAP为90.0%。采用7:3的分配方法,数据集共2512张图片。拥有较高的车辆识别精度和视频流畅度,同时有效解决了大型道路交通场景下的车辆遮挡位置问题和小距离目标车辆检测时的问题,具有非常好的实际技术应用研究价值。     

深度学习的多尺度多人目标检测方法研究

深度学习具有自主学习目标特征、识别率高、鲁棒性强等优点,当前基于深度学习的人体目标检测方法不能有效地适应目标的尺度变化。针对上述问题,提出多尺度多人的目标检测方法,将FPN特征金字塔分别与Faster R-CNN网络的两个阶段结合,同时,平衡RPN阶段产生的正负锚点的数量比例,并采用了更适合的锚点纵横比,对原始网络进行了一系列的优化。在标准数据集PETS 2009、Caltech和INRIA上的实验结果表明,提出的检测方法性能优于主流深度学习目标检测算法。     

深度学习目标检测方法综述

目标检测的任务是从图像中精确且高效地识别、定位出大量预定义类别的物体实例。随着深度学习的广泛应用,目标检测的精确度和效率都得到了较大提升,但基于深度学习的目标检测仍面临改进与优化主流目标检测算法的性能、提高小目标物体检测精度、实现多类别物体检测、轻量化检测模型等关键技术的挑战。针对上述挑战,本文在广泛文献调研的基础上,从双阶段、单阶段目标检测算法的改进与结合的角度分析了改进与优化主流目标检测算法的方法,从骨干网络、增加视觉感受野、特征融合、级联卷积神经网络和模型的训练方式的角度分析了提升小目标检测精度的方法,从训练方式和网络结构的角度分析了用于多类别物体检测的方法,从网络结构的角度分析了用于轻量化检测模型的方法。此外,对目标检测的通用数据集进行了详细介绍,从4个方面对该领域代表性算法的性能表现进行了对比分析,对目标检测中待解决的问题与未来研究方向做出预测和展望。目标检测研究是计算机视觉和模式识别中备受青睐的热点,仍然有更多高精度和高效的算法相继提出,未来将朝着更多的研究方向发展。     

多尺度目标检测的深度学习研究综述

目标检测一直以来都是计算机视觉领域的研究热点之一,其任务是返回给定图像中的单个或多个特定目标的类别与矩形包围框坐标.随着神经网络研究的飞速进展,R-CNN检测器的诞生标志着目标检测正式进入深度学习时代,速度和精度相较于传统算法均有了极大的提升.但是,目标检测的尺度问题对于深度学习算法而言也始终是一个难题,即检测器对于尺...     

YOLO9000模型的车辆多目标视频检测系统研究

提出了一种基于Darknet框架下YOLO9000算法的车辆多目标检测方法。该方法在YOLO9000算法基础下,根据训练结果和车辆目标特征对YOLO9000网络模型进行改进,并对其算法参数进行调整,获得更为适合于当前道路视频检测的YOLO9000-md网络模型下车辆多目标检测方法。为验证检测方法的有效性和完备性,对其模型进行了验证对比分析,同时对视频车辆进行了检测实验,实验结果表明,基于YOLO9000-md网络结构的车辆多目标检测方法,验证检测正确率达到了96.15%,具有一定的鲁棒性和通用性,为今后进行基于视频的更加智能化和自动化的数据分析提供了可靠的理论依据。     

优化特征提取的多目标交通标志检测方法

为解决自然场景下检测多个交通标志准确率低、特征提取网络复杂等问题,提出一种基于改进Faster R-CNN的交通标志检测算法.将原算法的特征提取网络替换为更深层的密集卷积网络,充分利用跨层密集连接方式,促进层之间信息流和梯度流的传递,实现特征复用;利用瓶颈层和过渡层减少特征维度,降低模型的复杂度.与原算法相比,使用该方...     

基于残差网络的小型车辆目标检测算法

城市道路中车辆检测与识别对于提升交通安全,发展智能化交通具备非常重要的意义。传统的检测方式依赖于人工提取的特征,已难以适用于复杂多变的交通场景,存在识别精确度低、时间复杂度高等缺陷。深度学习模型可以自动提取有用特征,泛化能力强,但难以对相似型车辆进行更加精细的分类,为此提出一种基于残差网络的小型车辆目标检测算法。算法将传统卷积神经网络的连接形式改为一种基于局部连接和权值共享的残差连接模式,同时更改网络结构控制参数数量,将图片不同层次的特征融合计算,应用感兴趣区域池化层规格化前层特征,最后经过分类层和回归层得到目标框的置信度以及修正参数。实验表明,改进模型能够在保证时间效率的前提下增强网络的学习能力,提高平均精度,在相似小型车辆的检测问题上取得了良好的检测结果。     

基于对称性的快速车辆检测方法

提出了一种基于车辆边缘对称性和水平阴影的快速车辆检测方法.通过利用被检测图像减去道路背景图像的方法对被检测图像进行预处理,以最大限度去除背景图像中车道线等大量干扰,突出车辆图像,对图像分别做Sobel垂直和水平边缘检测.把垂直边缘图像分割放缩成远景、中景、近景3幅大小相同的图像,利用车辆对称性对分割放缩后3幅图像对称性进行检测,确定图像中所有车辆在图像中的水平位置.同时在水平边缘检测的图像中,利用水平阴影和汽车底部水平边缘确定汽车的垂直位置.实验结果表明,该方法简单、有效,能快速、精准地检测出汽车图像中所有的不同位置和不同大小的车辆.     

基于实例与目标相关性的多目标稀疏回归算法

针对传统多目标回归算法无法处理输入与多输出间的非线性关系,且忽视了数据点在输入与输出之间的结构信息,导致算法泛化性能受限、缺乏稳健性等问题,提出一种基于实例与目标相关性的多目标稀疏回归(multi-target sparse regression with instances and targets correlations,MTR-ITC)算法.首先,通过嵌入潜变量空间来对复杂的输入与输出以及输出间的关联结构解耦,并利用核技巧和稀疏回归学习输入输出间的非线性关系和输出间的相关结构;然后,引入流形正则化项探索不同实例在输入与输出变量间的相关性,确保模型输出与真实结果在局部和全局结构的一致性,以提升模型泛化性能;最后,提出一种交替优化算法来对目标函数进行求解,使其能快速收敛至全局最优.在基准测试数据集上的实验表明,所提算法在不同MTR数据集上均具有较好的测试性能.     

交通图像中机动车联合检测与识别

目的 机动车检测和属性识别是智能交通系统中的基本任务,现有的方法通常将检测和识别分开进行,导致以下两个问题：一是检测算法与识别任务在时序上存在耦合问题,增加了算法设计的复杂度;二是多个任务模块及其交互会增加计算负载,降低了智能交通系统的执行效率。为了解决以上问题,结合机动车辆视觉属性与检测之间的联系,提出机动车联合检测与识别方法,将检测和属性识别任务整合在一个算法框架中完成。方法 首先,将车辆颜色与类型融合到检测算法中,使用多任务学习框架对机动车的属性识别任务与定位任务建模,在检测的同时完成属性识别。进一步地,针对智能交通系统中数据分布不均匀、呈现长尾现象的问题,将多任务学习框架与在线难例挖掘算法相结合,降低该现象给模型优化带来的危害。结果 为了验证本文提出的方法,构建了拥有12 712幅图像,包含19 398辆机动车的道路车辆图像数据集。在该数据集上,使用机动车联合检测与识别算法取得了85.6%的检测精度,优于SSD （single shot detector）与Faster-RCNN检测方法。针对识别任务,本文方法对于颜色与类型属性的识别准确率分别达到了91.3%和91.8%。结论 车辆颜色和类型作为机动车的重要视觉特征,综合利用以上线索有助于提高机动车检测的效果,同时能够得到良好的属性识别性能。除此之外,使用一个高度集成的框架完成多个任务,可以提升智能交通系统的运行效率。     

遥控靶车速度的数字测量方法

介绍了遥控靶车速度的数字测量方法,阐述了测量原理及速度推算,通过分析测量误差给出了电路设计,并对靶车在轨道上行驶的不同阶段进行了测试。实践结果表明:该速度测量方法准确度高、实用性强,具有一定的推广使用价值。     

一种改进的运动目标检测方法

为了克服传统背景差分法所存在的不足,提出了一种基于边缘特征和改进K-均值聚类相结合运动目标检测方法。运用改进的K-均值聚类方法建立背景模型,将其与前景图像相差后得到的二值化图像,通过前景边缘信息的鲁棒性来判别及去除存在的虚假目标。实验结果表明,该方法可以有效去除背景中突然有物体移入或移出引起的虚假运动目标,提高了运动目标检测的准确性。     

针对机动车驾驶员的人脸检测方法

为了正确检测人脸区域、提高驾驶室内光照不足情况下人脸检测与定位方法的准确性和实时性,采用了肤色聚类的人脸检测方法,利用肤色聚类性将彩色图像分割成皮肤区和非皮肤区。同时,提出一种基于多尺度Retinex算法的改进算法,其能够在人脸检测之前对图像进行光照补偿处理。将改进后的算法应用到新建立的人脸图像库中进行仿真实验,并与传统的肤色聚类人脸检测方法进行对比,其正确率提高了4.7%。实验结果表明:改进后的肤色聚类人脸检测算法可实现对不同光照变化和旋转角度的人脸进行检测,且具有很强的实用价值。     

Multi-target regression via self-parameterized Lasso and refactored target space

Applied Intelligence - Multi-target regression (MTR) aims at simultaneously predicting multiple continuous target variables based on the same set of input variables. It has been used to solve some...     

一种基于纹理分析的视频车辆测速方法

基于虚拟线圈的工作原理,将纹理分析技术应用到车辆的视频测速中,采用了基于像素灰度跳变的纹理描绘子作为图像特征和动态阈值做阈值决策的车辆检测算法,提出了一种产生视频触发信号的方法。给出了纹理描绘子和阈值更新的具体算法。经实验,取得了较好效果。