基于改进SSD算法的骑车人识别研究

在智能网联汽车蓬勃发展的大背景下,目标识别作为智能驾驶的关键技术能够提高公路环境的安全性,本文采用SSD算法对公路环境下骑车人检测识别技术进行研究,发现SSD算法的小目标检测效果和平均识别精度都不太理想,故通过参考YOLOv3算法的跨层链接思想,在网络上引入FPN结构,进而提高识别效果.在TDCB数据集上的实验结果表明,平均检测精度和对小目标检测效果均有所提高,精度上提高约为2.2％,检测速度虽略微减缓,仍符合实际应用需求,改进后的SSD算法对提高公路环境下骑车人安全有着重要意义.     

基于人工智能的网络入侵检测技术研究

针对网络攻击检测精准度低的问题,提出基于人工智能的网络入侵检测技术研究。由数据智能捕获模块、数据智能分析模块、数据智能处理模块、数据智能检测模块以及入侵智能响应模块组成的网络入侵检测模型,在该模型内引入了人工智能神经网络及算法,通过算法对数据的反复训练提取数据特征信息,为网络入侵检测提供准确的检测依据,实现了基于人工智能的网络入侵检测模型的构建。经试验证明,该模型对网络入侵行为的检测精准度较高。     

深度学习与图像融合的行人检测算法研究

为解决智能辅助驾驶技术中可见光摄像机受光照和气候影响而导致行人目标识别困难的问题。通过研究图像融合技术,结合深度卷积神经网络,实现并改进了一种道路行人目标检测算法。方法是利用多源传感器图像融合技术,采用可见光相机与红外热成像相机融合的策略,以Faster RCNN算法为基础,从改进网络结构、特征融合、优化模型训练等方面展开研究,对复杂环境下的行人检测与定位跟踪展开研究,提出一种基于图像融合技术和改进的深度卷积神经网络的道路行人目标检测算法。实验结果表明,该算法对复杂气候环境下行人目标检测提高了检测效率和准确率,增加了智能辅助驾驶汽车的安全性。     

基于拥挤场景行人检测算法的研究进展

在生活中,行人检测的应用越来越广泛。尽管行人检测器性能的提升较为迅速,但仍然难以满足当前的需求。算法作为行人检测中的重要组成部分,其对行人检测的结果有着非常重要的影响。文中对基于拥挤场景行人检测算法的研究进展进行了介绍,希望为行人检测算法的进一步研究提供借鉴。     

浅谈矿区智能监控系统

智能监控是在传统监控的基础上,加入智能的识别算法,能够对视频图像中的行人、车辆等检测目标进行识别,并根据检查结果自动做出一些判断。作为计算机视觉和人工智能结合的产物,智能监控可实现无人值守,自主判断,并能保证实时性,对适应恶略环境有很强的适应性。本文通过对矿区的智能监控系统进行阐述,介绍了智能监控系统的总体结构以及矿区系统信息的传输,对后续的矿区智能监控系统的设计具有一定的参考价值。     

改进的SSD红外图像行人检测算法

针对红外图像行人检测任务中图像细节少、特征信息提取困难、检测准确率低等问题,提出一种改进的SSD红外行人检测算法。利用深度可分卷积方法降低特征提取网络参数数量和网络运算量,改善实时性;在网络中嵌入SENet模块,重新分配各特征通道权重,提升网络对行人目标针对性;针对行人目标空间占比固定的特点,通过聚类分析算法设定Default Boxes数值,提升行人检测效果。实验结果表明,所提改进算法优于VSSD算法,查准率和查全率分别达到91.7%和84.8%,同时,算法实时性也得到大幅改善。     

行人检测技术研究综述

行人检测是计算机视觉领域极具挑战性的研究热点,它在智能交通、机器人开发和视频监控等领域具有重要应用。从行人检测所采用的特征着手,对现有的行人检测方法进行了分类和评述,分析了各类方法的优缺点,同时,介绍了常用的行人检测数据库的特点,最后分析了行人检测研究中存在的难题并对未来的发展做出展望。     

基于深度学习的智能停车车位检测

智能停车系统中车位检测易受天气变化、障碍物遮挡和背景干扰等影响而导致车位检测准确率降低,为了解决该问题,文中研究了基于深度学习的停车场车位占泊检测技术.首先,给出了基于改进YOLO的单车位检测算法,其把YOLO网络每层的输入归一化处理以有效避免过拟合,且把全连接层替换为全卷积层以提取多种尺寸输入的特征;然后,研究了基于改进SSD的多车位检测算法,其采用优化的ResNet网络替换原SSD的VGG网络为且优化了激活函数.实验和测试结果表明,所提方法能够有效提高单/多车位检测准确率.     

基于自适应滑动窗的模糊场景行人快速检测

智能场景监控是公共安全领域研究的热点.然而当前公共场所监控视频大都比较模糊,如何能够在模糊场景下快速检测行人目标是一个亟待解决的问题.通过引入一个自适应尺寸的行人检测窗,以特定策略滑动扫描前景二值图像,并根据一系列行人轮廓判别条件获取行人目标,实现了对模糊监控场景的实时行人检测与人数统计.实验结果表明,与传统算法相比,该算法可以有效快速地检测出指定区域内的行人目标.     

基于快速SIFT匹配的行人信息检测

在智能监控中,检测行人是判断异常的必要步骤,复杂场景下行人检测一直是研究的热点难点,依据人体头部作为人体这种非刚体中的稳定部分,提出了一种快速而稳健的行人检测算法。该算法首先对摄像头拍摄的视频选取感兴趣区域,利用离线训练的Adaboost级联分类器检测人的头部区域,然后通过快速SIFT算法匹配相邻帧的人的头部,进而进行判断人的运动速度以及方向,便于进行下一步研究。通过实验验证以及与目前具有相关代表性的方法对比,论证了所提出算法在复杂场景下也具有很好的检测匹配效果,具有良好的有效性和可靠性。     

一种基于视频的新型行人识别方法

混合交通是我国城市交通的主要特点。我国城市步行交通在总出行量中所占比例较大,且将持续相当长的一段时间。而随着智能交通系统（ITS）研究与应用的不断深入,在优化交通管理、减少交通事故、保证行人安全等方面的要求越来越高,所以行人识别具有重要意义。视频检测是一种在智能交通监控中广泛使用的检测方式。文中基于视频图像,利用行人的形状、速度、非刚体性的特点,设计了一种具有较好实时性和鲁棒性的行人识别算法。     

面向安防场景的行人目标检测技术研究

安防场景的行人目标检测不仅需要识别并标定行人位置，还需要对人脸进行检测与提取，支持人脸比对等下游任务。当前目标检测算法在实际应用中存在运行速度慢、边界框标定不准确、小目标检测效果不佳等问题，文中提出一种基于SSD检测器的安防场景下的行人目标检测算法。针对检测器因为分类与定位子任务强耦合造成边界框标定不准确的问题，采用一种解耦的“检测头”保证检测器定位精度，并通过在不同分支上引入特征增强模块提取适应不同子任务的特征；采用一种任务耦合的损失函数来提升训练效果；针对运行速度慢，采用轻量化网络作为主干网络，结合TensorRT量化模型提升算法在嵌入式平台上的运行速度。通过在NVIDIA TX2嵌入式深度学习平台进行实验，单帧图像检测时间为23.8 ms，平均帧率约为42 f/s，算法具备优秀的实时性与准确性。     

基于PCA降维的HOG与LBP融合的行人检测

行人检测是计算机视觉中十分重要而又有挑战的研究方向。针对梯度方向直方图(HOG)特征描述子的局限性,如冗余信息多、容易造成误检和漏检等,为了进一步提高行人检测的准确率和速度,提出多特征融合的行人检测算法,利用主成分分析(PCA)对HOG进行降维再与局部二值模式(LBP)特征进行融合,使用支持向量机(SVM)进行分类。在INRIA行人数据库上进行测试,实验表明该算法提高了识别率,加快了训练和检测的速度。     

模板自适应的积分通道特征行人检测算法

本文对视频中的行人检测问题进行了研究。针对传统的积分通道特征算法在误测背景目标和丢失目标两方面存在缺陷,本文以积分通道特征的行人检测算法为核心,对原检测算法进行了优化并提出模板自适应的积分通道特征算法。通过使用预处理优化和自适应模板,该优化算法能够有效地检测到丢失的目标并且抑制了背景干扰,提高了检测的准确性。最后的实验数据表明该优化算法整体性能有所提高,尤其在提高检测丢失目标的准确率和降低误测背景目标的检测率上都相较于传统的积分通道特征算法有较大的提高。      

智能技术在配电线路优化中的应用

阐述人工智能算法在配电线路优化中的应用,包括线路负荷预测、线路规划和配置优化、故障检测和智能维护。使用基于人工智能的算法和技术,可以提高配电线路的可靠性、经济性和效率。     

红外交通场景下遮挡行人目标检测算法研究

针对交通十字路口等视野盲区往来行人间存在遮挡情况,如何高效准确地检测复杂道路中目标行人具有实际意义。为了实现夜间交汇路口场景行人检测,提出一种基于改进YOLOv5的行人目标检测算法,采用Non local和PSA模块对YOLOv5原网络的Bottleneck CSP进行改进,能够有效弥补遮挡中行人特征的帧间信息交互过程,增强长程范围通道特征依赖关系。设计更深的160×160检测层和自适应anthor,提升夜间行人检测的边界回归精确度。实验结果表明,针对夜间下交通路口场景,压缩改进后模型对行人检测鲁棒性高,相较于原始算法mAP_0.5和mAP_0.5:0.95值分别提升了14.2和12.7,说明所提算法对夜间行人检测的有效性。     

基于深度学习的目标检测研究综述

目标检测是计算机视觉领域内的热点课题,在机器人导航、智能视频监控及航天航空等领域都有广泛的应用.本文首先综述了目标检测的研究背景、意义及难点,接着对基于深度学习目标检测算法的两大类进行综述,即基于候选区域和基于回归算法.对于第一类算法,先介绍了基于区域的卷积神经网络（Region with Convolutional Neural Network,R-CNN）系列算法,然后从四个维度综述了研究者在R-CNN系列算法基础上所做的研究：对特征提取网络的改进研究、对感兴趣区域池化层的改进研究、对区域提取网络的改进研究、对非极大值抑制算法的改进研究.对第二类算法分为YOLO（You Only Look Once）系列、SSD（Single Shot multibox Detector）算法及其改进研究进行综述.最后根据当前目标检测算法在发展更高效合理的检测框架的趋势下,展望了目标检测算法未来在无监督和未知类别物体检测方向的研究热点.     

基于图像处理的交通路口智能播报系统的研究

从智能交通系统的基本理论着手,介绍了将图像处理技术应用到智能交通系统的基本思路,并详细阐述了整个系统的算法设计。主要优势是对帧间差分法进行了改进优化,即改进的基于边缘信息的邻域帧间差分法,使得改进后的算法可以实时进行运动车辆检测,然后通过设置虚拟线来对车辆的参数进行间接的检测,最后通过LED提示行人和车辆。经实验验证改进后的算法简单方便且性能良好,能够准确的检测出运动车辆,增强了系统的可靠性。     

基于YOLO v4网络的房屋目标检测研究

随着社会科学技术的不断进步和人工智能算法的创新发展,深度学习在目标检测领域有着十分重要的应用.针对目前采用人工对偏僻地区房屋建筑进行检测存在的效率低下、安全隐患较大等不足,将无人机技术与深度学习相结合,提出了一种基于深度学习YOLO v4算法实现对房屋目标的检测研究.对无人机采集的电力通道巡检视频进行预处理,对图像进行...     

基于行人重识别（ReID）技术的乘客出行特征研究

随着大数据时代的来临,海量的非结构化视频数据激增,传统的人工处理方法已经难以满足现有的数据处理需求。随着人工智能、神经网络等技术的发展和算力的提升,视频分析技术应运而生。行人重识别（ReID）算法是智能视频分析中的一项重要技术,标注人员首先对视频样本进行标注作业,然后将标注结果应用到算法模型中,可以快速从海量的监控视频中识别出不同摄像头网络中的同一个行人,最后通过自动检索目标,精确定位每一位乘客的运行轨迹,实现对客流的精确划分。