基于Cascade-Rcnn的行人检测

Faster Rcnn是目标检测领域中精确度较高、使用范围较广的一个经典算法,而Cascade Rcnn是借鉴Faster Rcnn改进的。文章将Cascade Rcnn的方法应用于行人检测中,利用深层卷积神经网络提取图像特征,通过RPN提取可能含有行人的区域,利用多层级联的检测器对目标区域进行判别和分类,在数据集中进行了检测验证。实验结果表明,相比基于Faster-rcnn的行人检测方法,在测试集上检测准确度达到了66.2%,其检测效果更好。     

基于双目视觉的车前行人检测方法研究

当前的汽车安全辅助驾驶和无人驾驶汽车是图像领域的研究热点,针对汽车在启动或行驶时车前存在行人可能导致的安全问题,着重研究了基于双目视觉的车前行人检测方法。进行了双目相机的相机标定和立体标定;通过改进后半全局立体匹配算法获取深度图,确定车前行人所处位置的感兴趣区域(Region of Interest, ROI),剔除冗余的背景信息;分割并提取了图像的降维梯度直方图(Histogram of Gradients, HOG)特征信息;将特征输入到支持向量机(Support Vector Machine, SVM)分类器训练,检测并标记出车前的行人目标。实验证明,所提算法对车前场景下的动态行人可以更为有效地检测,具备更优的检率精度、时效性和鲁棒性。     

基于深度学习卷积神经网络模型的行人检测设计

随着近年来5G与人工智能的崛起,无人驾驶技术在不断突破,行人检测作为无人驾驶中的重要任务之一,是一个具有重要研究意义的课题.文中采用深度学习框架Pytorch和目标检测网络YOLO进行行人检测,分别搭建了 YOLO v3、YOLO v3轻量版YOLOv3-Tiny、YOLO v3与SPP-Net融合版本YOLOv3-S...     

基于深度卷积神经网络的红外图像行人检测

红外图像中的行人检测一直是计算机视觉领域的研究热点与难点。针对传统的红外行人检测方法需要人工设计目标表达特征的弊端,本文从深度学习的角度出发,提出一种可以自动构建目标表达特征的红外行人检测卷积神经网络。在对卷积神经网络的实现原理进行分析的基础上,设计了红外行人检测卷积神经网络的初始结构,然后通过实验对初始结构进行调整,得到最终的检测神经网络。对实拍红外人体数据库进行行人检测的实验结果表明,该方法在保持低虚警率的同时可以对红外图像中的行人进行稳健检测,优于传统方法。     

基于Jetson TK1和深度卷积神经网络的行人检测

近几年随着ADAS(高级驾驶辅助系统)以及无人驾驶等技术的逐渐兴起,作为ADAS和无人驾驶的关键技术,行人检测成为计算机视觉领域的热点问题。文中针对目前汽车电子系统大多是低功耗的嵌入式系统,提出采用低功耗嵌入式设备为平台配合深度卷积神经网络实现行人检测系统。实验结果表明该系统具有较高的识别率和较快的检测速度,基本满足实时性。     

基于YOLO模型的红外图像行人检测方法

针对基于传统特征提取方法的远红外图像行人检测存在准确率和实时性不足的问题,本文研究了一种基于改进YOLO模型的远红外行人检测方法,通过改进其深度卷积神经网络的输入分辨率,然后在基于实际道路采集的红外数据集上进行训练,得到检测效果最佳的检测模型,并提出基于车速的自适应图像分辨率模型,以提高车载系统的行人检测性能。在基于实际道路的红外数据集上的对比实验表明,该方法与传统方法相比,准确率从76.5%提高到89.2%,每秒传输帧数从0.01259 f/s提高到40.5 f/s,满足车载情况下的实时性需求。     

基于视觉的车载行人检测保护相关技术

为提高城市交通环境下车辆的主动安全性,减少交通事故,保障行人的安全,很多国内外的科研院机构都对行人保护技术进行了研究,意在开发出一种车载行人保护系统,就是利用安装在车辆上的摄像机检测出行人,从而预测出潜在的危险以便采取相应策略保护行人。其中涉及到的相关技术包括行人的目标分割、特征提取等。     

深度学习的无人机双目视觉避障研究

针对无人机避障系统中视觉防撞的关键技术进行研究,改进YOLOv4-tiny目标检测算法,并提出一种基于目标检测的视觉防撞方法.结合MobileNet的可分离卷积结构,优化YOLOv4-tiny目标检测网络,以此提高检测精度.通过去除非检测目标区域的冗余信息,提高SURF匹配算法的效率,由最小二乘法对目标区域进行三维解算,将解算的深度与无人机的位姿信息作为防撞判定区域视野尺度的依据,并结合目标检测的像素位置,实现无人机视觉防撞.最后,利用标准数据集对改进后的网络模型进行分析,mAP值为69％,并搭建无人机视觉通讯模块进行视觉防撞测试,最终验证了方法的合理性.     

基于双目视觉的识别测距系统设计

双目视觉的识别测距主要通过双目视觉系统模拟人的“双眼”,从而获得物体的形状和距离的远近。文章提出一种目标识别测距系统,构建卷积神经网络模型,利用图像处理技术识别目标以及三角相似原理计算目标距离,最后达到识别和检测的目的。实验结果表明,所设计的目标识别测距系统能够同时保证特定目标的检测和测距,具有一定的研究意义。     

基于历史信息的区域卷积神经网络行人检测

为了解决卷积神经网络在进行连续行人检测时, 检测行人速度较慢, 达不到实时性要求的问题, 采用基于历史信息的区域卷积神经网络行人检测算法, 利用前一幅图像中的检测结果对当前图像的检测过程进行优化, 将前一帧的检测结果作为对当前帧提取推荐区域的参考信息, 并使用当前帧与前一帧的灰度值差异图对当前图像的卷积特征进行过滤, 以缩小滑动窗口检测时的搜索区域。在加州理工学院行人检测数据集上进行了检测实验。结果表明, 结合历史信息的算法与先进的算法相比检测速度提升了2.5倍, 同时检测准确率提升了1.5%。该算法实现了实时行人检测, 设计的网络能有效检测小目标行人。     

基于卷积神经网络的放电声音故障检测

设计了一种基于卷积神经网络的放电声音检测方法,针对电力系统中设备绝缘老化引起的局部放电现象,提出通过终端边缘节点的声信号检测方法实时监控设备正常工作、局部放电和发生故障的三种状态,并将异常状态通过边缘计算专网反馈给运维中心。该系统通过设备终端的边缘节点采集发生故障时放电音频数据,这些故障包括：正常工作、局部放电和故障已发生的状态。并进行信号预处理和提取能够反映故障状态的音频特征。然后,将处理后的数据作为卷积神经网络的输入。实验表明所提方法与经典的深度神经网络相比,平均识别率提高了约2%。     

基于改进卷积神经网络的人体检测研究

为了解决梯度方向直方图在复杂背景下行人检测性能不足的问题,引入深度学习算法进行人体特征提取和行人检测。为了减少卷积神经网络的训练样本数量需求,在保证原数据库背景分布和行人分辨率的基础上使用基于内容的图像检索方法进行数据扩充以便于训练。为了提高算法在复杂背景下的检测效率,在卷积神经网络反射传播权值更新时引入费舍尔约束准则,使用误差反向传播算法获取样本类内类间约束函数的权值,在考虑误差的同时保证算法的分类精度。对INIRIA数据库检测结果表明,改进后算法的漏检率、检测率等性能得到一定提高,在大多数复杂背景下可以成功检测出行人。     

基于双目视觉的三维车辆检测算法

在自动驾驶中,车辆的三维目标检测是一项重要的场景理解任务。相比于昂贵的雷达设备,借助双目设备的三维目标检测方法有成本低定位准确的特点。基于立体区域卷积神经网络（Stereo RCNN）提出了一种用于双目视觉的三维目标检测OC-3DNet算法,有效地提高了检测精度。针对特征提取高分辨率与感受野的矛盾,结合特征提取网络与注意力引导特征金字塔（AC-FPN）,有效地提高了算法对小目标的检测精度。针对三维中心投影检测误差大的问题,建立了一种新的三维中心投影与二维中心的约束关系,进一步提升了三维目标检测的精度。实验结果表明,改进后的OC-3DNet算法在以0.7为阈值的三维目标检测上平均精度为43%,较Stereo R-CNN三维目标检测的平均精度提升了约3%。     

基于路面约束的行人检测感兴趣区域提取

针对行人检测存在识别精度不高,实时性较差等问题进行相关研究.分析了基于多尺度滑动窗口法提取行人检测窗口的缺点,为解决行人检测中检测窗口数量过多的问题,提出在图像分割和路面提取的基础上实现对行人检测窗口的提取.先利用FCM聚类算法训练得到分割阈值,其次提取路面区域,根据路面区域筛选可能存在的行人位置,进而提取感兴趣区域,并对相应的感兴趣区域提取HOG特征进行进一步精确分类.实验结果表明,采用基于路面约束的图像分割方法来提取感兴趣区域,有效减少了遍历窗口的数量,从而提高了行人检测速度和检测精度.     

基于双目视觉与图像深度融合的机房三维重建方法分析

阐述基于双目视觉与图像深度融合的机房三维重建方法,采用双目视觉方案对目标深度信息进行测量,视觉SLAM技术根据左右目图像中的特征点匹配信息,基于本质矩阵恢复出当前帧相机相对于前一帧的位姿变换关系,构建当前帧相机系到参考系的位姿变换,从而在实现定位的基础上对目标进行三维重建。采用数据融合技术对多视结果与深度学习网络深度值进行融合,以解决重建点稀疏性的问题,提升三维机房重建精度以及机房数字孪生智能化监控能力。     

基于双目视觉的障碍物识别研究

随着各类无人技术的发展,对于障碍物检测技术的需求也日益提高.为实现快速精确的障碍物探测识别,文中基于双目立体视觉原理,利用张正友标定法对双目相机完成标定,获取内外参数,并对相机拍摄的图像进行去噪、去除亮度差及锐化处理,最终通过图像匹配得到目标场景的深度信息.根据应用需求对K-means聚类算法作出改进,以实现目标场景内...     

基于新型三元卷积神经网络的行人再辨识算法

基于三元卷积神经网络的行人再辨识算法多数采用欧式距离度量行人之间的相似度,并配合铰链(hinge)损失函数进行卷积神经网络的训练。然而,这种作法存在两个不足：欧式距离作为行人相似度,鉴别力不够强;铰链损失函数的间隔(Margin)参数设定依赖于人工预先设定且在训练过程中无法自适应调整。为此,针对上述两个不足进行改进,该文提出一种基于新型三元卷积神经网络的行人再辨识算法,以提高行人再辨识的准确率。首先,提出一种归一化混合度量函数取代传统的度量方法进行行人相似度计算,提高了行人相似度度量的鉴别力;其次,提出采用Log-logistic函数代替铰链函数,无需人工设定间隔参数,改进了特征与度量函数的联合优化效果。实验结果表明,所提出的算法在Auto Detected CUHK03 和VIPeR两个数据库上的准确率均获得显著的提升,验证了所提出算法的优越性。     

基于双目视觉的受电弓碳滑板磨耗检测

将数字图像处理技术和机器视觉应用于受电弓碳滑板磨耗测量,是碳滑板磨耗测量的主要发展方向,文章提出了一种基于双目视觉的受电弓碳滑板磨耗检测方法。该算法首先对双目测量系统进行相机标定,得到双目相机的标定矩阵,然后对双目相机采集得到的碳滑板图像进行边缘提取,利用标定矩阵计算得到两个相机中碳滑板边缘点的对应关系,最后利用对应点计算出碳滑板边缘点的实际空间坐标,从而计算出碳滑板的厚度值。实验及数据处理结果表明：系统的测量误差较小,且此系统安装方便,受外界因素的影响较小。