基于改进SSD的人脸口罩佩戴检测算法

本文提出一种多尺度卷积特征融合目标检测方法,用于优化SSD模型对口罩遮挡、尺度变化、样式多样化以及小目标问题的检测精度。基准网络选用表征能力更强的残差网络,引入跳跃连接机制降低提取特征的冗余度,解决层数增加出现性能退化问题;同时引入低层边缘信息与高层语义信息的多尺度特征融合机制充分利用特征细节信息,最终通过参数再训练方式获得改进的SSD模型。实验结果表明,该方法在人脸口罩数据集测试精度90.65%,与原SSD算法82.37%提高8.28%,与SSD使用ResNet-50的87.99%提高2.66%。     

基于多层注意力机制的口罩佩戴检测算法改进

针对已有的对于口罩的目标检测算法中存在的问题,如对小目标检测精度低,复杂场景下出现漏检等问题,提出了一种基于多层注意力机制的口罩佩戴检测算法YOLOX-l-sd。通过在骨干网络中添加Swin Transformer的特征层来提升目标检测算法的性能,加入多层注意力机制提高特征提取效果以及减少计算量,采用DIOU损失函数提升模型的精度,采用DW卷积以进一步减少计算量。实验结果表明,相比原YOLOX-l模型,改进后的模型在精度上提高了2.45%,达到了预期的效果。     

基于YOLOv5的疫情防控口罩佩戴检测系统设计与实现

面对当前疫情防控的实际需求,自动化检测可以减少管理人员与他人接触感染的风险且能使疫情防控管理更加高效。针对人脸佩戴口罩识别问题,利用深度学习的神经网络自动提取目标特征的优点,将获取的数据集通过LabelImg标注软件进行标注,使用YOLOv5目标检测算法训练网络模型,实现对佩戴口罩和未佩戴口罩的检测;通过PyQt5设计并实现了疫情防控口罩佩戴检测系统,提高了疫情防控效率。     

基于YOLOv5网络模型的人员口罩佩戴实时检测

近年来,随着硬件算力的提升和人工智能算法的创新发展,使得深度学习算法在目标检测方面有着广泛的应用。针对现有人工方式查看人员口罩佩戴情况的不足,提出了一种基于深度学习YOLOv5算法实现对口罩佩戴情况的实时检测。算法首先将数据集进行归一化处理,再将数据接入YOLOv5网络进行迭代训练,并将最优权重数据保存用作测试集测试,算法通过tensorboard可视化显示训练和测试结果。实验结果表明,所提算法检测的准确性高,实时性强,满足实际使用需求。     

基于YOLOv5与目标追踪算法的戴口罩人脸识别系统

针对后疫情时代人脸识别系统无法在佩戴口罩的情况下准确识别人脸的问题,基于OpenCV库和Dilb库架构系统,引入YOLOv5目标检测算法替代Dlib原有的人脸目标区域检测算法。通过检测算法获取一系列目标特征值的坐标位置后,采用CentriodTracking目标追踪算法来处理这些特征,从而实现对佩戴口罩人脸图像的快速识别,系统同时实现了用户注册、数据录入、信息管理和日志等功能。     

基于YOLO-Mask算法的口罩佩戴检测方法

常态化疫情防控形势下,通过口罩佩戴检测可以及时提醒人们正确佩戴口罩,从而降低公共场合人员交叉感染的风险.针对口罩佩戴检测任务中被遮挡目标和小目标检测困难的问题,提出一种YOLO-Mask算法.该算法以YOLOv3为基础,在特征提取网络中引入注意力机制,以提升模型对显著特征的表达能力;然后使用特征金字塔和路径聚合策略进行...     

改进YOLO的口罩佩戴实时检测方法

现有的YOLO目标检测模型基于One-stage思想进行多目标检测,其对于双分类检测有所不足,并且检测时性能消耗较大。为了能够在新冠疫情爆发的特殊时期,提高双分类口罩佩戴的检测精度和检测效率,文中提出了一种基于YOLO的双目标口罩佩戴实时检测方法。改进模型的前馈输入层,优化了数据增强部分,添加了自适应图片缩放,以便提升双分类和小目标的检测精度和检测效率。添加了自适应锚定框,替换了激活函数,降低了方法的计算量从而提高方法的检测效率。Neck部分优化和添加的Focus结构提高了特征融合能力并且减少了参数量,达到了提速的效果。实验结果表明,与YOLOv4相比,所提方法在文中数据集中的F₁提高了0.33%,mAp提高了0.71%,并且相同实验环境下的检测效率也提升明显。     

基于YOLOv4的口罩规范检测算法研究

新型冠状病毒传播方式主要为飞沫传播和近距离接触传播等,而正确佩戴口罩则是预防、隔离病毒的最方便有效的手段之一。但在公共场合下仍存在部分人群未佩戴口罩的情况,给公共安全带来了巨大威胁。从WIDER Face、MAFA、RMFD和MaskedFace-Net四个公开数据集中筛选7 240张图像,构成人脸口罩规范数据集用于算法训练与测试。结果表明,YOLOv4算法在检测精度和检测速度方面还不错,检测效果满足场景需求。基于YOLOv4的口罩规范检测算法可以有效减轻防疫人员的工作量,提高了人员密集公共场合的安全系数。     

智能人脸口罩识别系统设计

本文针对公共场所人群口罩佩戴情况的监测需求,设计并实现了一种基于PyramidBox的人脸口罩佩戴识别系统。该系统能够在复杂背景和光照条件下准确地检测出人脸区域,并判断人脸是否佩戴了口罩,并对未佩戴者进行实时提示。PyramidBox算法是一种用于人脸检测的单阶段算法,本文增加了一个二分类器来判断人脸是否佩戴口罩,并结合颜色检测和肤色提取技术来提高识别准确率。最后,本文在WIDER FACE数据集、MAFA数据集和自采集数据集上进行了大量实验,并与其他主流人脸检测算法进行了定量和定性分析,结果表明本文提出的系统设计在准确率、鲁棒性、速度等方面均具有优势,适用于机场、火车站、学校等公共场所,可以有效地提高安全管理水平。     

基于改进YOLOv5的防疫巡检机器人设计与实现

针对新型冠状病毒肺炎疫情防控中部分民众未佩戴口罩，且监控人员执行检查任务重、易交叉感染等问题，基于北斗定位技术和改进的YOLOv5目标检测算法，设计并提出了一款智能口罩识别巡检的防疫机器人，同时搭建了相应管理系统平台，实现了对过往行人口罩佩戴情况自动实时监测及数据管理，从而有助于阻断新冠疫情传播，在一定程度上提高疫情防控力度和管理人员的监督效率。     

基于电子营销Apriori算法的信息保密研究

针对电子营销过程中的商业信息保密问题,本研究提出了一种Apriori算法与加权的Jaccard距离相结合的方式对数据信息进行安全性检测。根据Apple Pay对电子商务中的信息分为20类,运用加权Jaccard距离公式计算数据信息之间的距离,并基于Apriori算法对商业信息离散点进行安全性检测。通过分别收集的窃取隐私的商业信息数据和良性商业信息数据作为实验样本进行算法性能测试,结果表明:正常数据的误报率、恶意数据的检出率和检测总体的准确率分别为92.87%,7.48%和89.58%,即总体检测效果较好,同时,本研究提出的Apriori算法在检测商业信息数据与另外两种方法的结果相关系数达到了0.75,说明了算法结果较为合理。     

基于YOLOv5s的人脸是否佩戴口罩检测

为了抗击新冠肺炎,加快复产复工的速度,本文提出了一种判断人脸是否佩戴口罩的方法.该方法可以通过摄像头捕获人脸,对人脸是否佩戴口罩进行检测,及时提醒人们带好口罩.使用预处理好的9800张图片作为数据集,并对YOLOv5s算法进行离线训练,生成最终的模型;利用该模型对摄像头捕捉的画面进行分析,检测人脸是否佩戴有口罩.该算法在测试集上的精确率(precision)、召回率(recall)和平均精度(mAP)分别为78.1％、87％和53.5％,高于YOLOv3和YOLOv4检测算法的检测结果.     

地面小目标快速检测算法研究

由于地面小目标像素低、携带信息量少等特点,常规数据集上的目标检测算法直接用于地面小目标的检测,会出现漏检和错检现象。针对此问题,该文基于深度学习算法,提出将一种改进的YOLOv3算法应用于地面小目标检测。利用K-means算法对数据集中目标进行聚类分析,选取合适的anchor boxes数量和大小。通过增加一个检测小目标的特征图,建立特征融合目标检测层,改进YOLOv3网络检测尺度。在遥感数据集DOTA检测实验中,用改进的YOLOv3算法与YOLOv3算法进行对比实验,结果表明改进后的算法能有效检测地面小目标,查准率提高17.04%,查全率提高了6.44%;与Faster R-CNN算法对比,改进的YOLOv3算法的mAP提高了12.7%。在改进的YOLOv3算法训练时,加入dropout优化机制,其在测试集上的mAP得分又提高了3.24%。      

一种基于多级维纳滤波的多通道SAR动目标检测算法

该文针对机载多通道SAR-GMTI系统及实测数据,提出一种新的地面慢动目标检测算法。新算法利用多级维纳滤波器实现多通道SAR系统杂波抑制,同时结合对角加载技术和非均匀检测器,进一步改善SAR系统在非均匀环境下的动目标检测性能。实测数据实验结果表明:与常规的自适应检测方法相比,新算法能够明显提高系统对杂波的抑制能力及非均匀环境下系统的动目标检测性能。     

嵌入式口罩佩戴检测系统研究与实现

常态化疫情防控形势下,公共场合佩戴口罩可以有效降低交叉感染风险,针对口罩佩戴检测中的小目标检测困难以及实时性较差的问题,提出了基于嵌入式平台Jetson nano的口罩佩戴检测系统,通过增加YOLOv3-tiny的主干网络层深度,引入注意力机制以及TensorRT模块,提升了嵌入式系统口罩佩戴检测任务的精度和实时性,改进后的YOLOv3-tiny算法mAP值达到了87.5％,FPS为20.4,相较于改进前精度提升12.3％,帧率提升10.4 fps.     

一种抗密集欺骗式干扰的机载雷达动目标检测方法

密集欺骗式干扰不仅会引起大量虚警,还会抬高恒虚警检测器的门限,导致机载雷达的动目标检测性能严重下降。针对此问题,该文提出一种基于数据拟合的机载雷达抗密集欺骗式干扰的动目标检测算法。该算法选取待检测单元附近的数据样本构造基矩阵,对待处理数据进行最小二乘拟合;同时,对拟合系数的边界进行自适应约束以保护可能存在的目标信号。该算法可以有效滤除密集欺骗式干扰,消除其带来的虚警,能够显著改善机载雷达的动目标检测性能。基于实测数据的实验结果验证了该算法的有效性。     

复合高斯杂波下的3种目标检测算法研究

针对复合高斯分布背景下的慢速目标检测问题,从贝叶斯统计检测理论出发,系统分析了最优的GLRT检测算法、次优的基于AR模型的目标检测算法和传统的自适应MTI检测算法。结合这3种算法的特点阐述了它们的检测性能和工程可实现性。并在最后通过IPIX雷达实测海杂波数据对上述结论进行了验证,实验结果表明在性能损失不大时,基于AR模型的目标检测算法易于工程实现。     

利用互相关和Hough变换快速检测探地雷达目标

考虑到探地雷达目标检测效率低的问题,该文基于目标回波能量空间分布的三参数双曲线模型,提出了一种快速的地下目标检测算法.算法首先利用相邻1维回波的相关性提取回波双曲线,再能量加权拟合曲线以估计出回波模型的两个参数,最后通过1维Hough变换来完成目标检测与定位.实测数据实验结果表明该文算法在不降低目标检测性能和定位精度的同时,计算时间只有传统基于Hough变换检测算法的1.5%左右,计算量的理论分析证明了该文算法在计算效率上的优势.     

YOLOv5与Deep-SORT联合优化的无人机多目标跟踪算法

针对无人机平台下小目标检测性能差、目标尺度变化较大、复杂背景干扰等导致跟踪失败的问题,该文提出一种联合优化检测器YOLOv5(You Only Look Once)和Deep-SORT(Simple Online and Realtime Tracking with a Deep Association Metric)的无人机多目标跟踪算法。该算法使用改进的CSPDarknet53(Cross Stage Paritial Darknet53)骨干网络重新构建检测器中的特征提取模块,同时通过自顶向下和自底向上的双向融合网络设计小目标检测层,采用无人机航拍数据集训练更新优化后的目标检测网络模型,解决小目标检测性能差问题;在跟踪模块中,提出结合时空注意力模块的残差网络作为特征提取网络,加强网络感知微小外观特征及抗干扰的能力,最后采用三元组损失函数加强神经网络区分类内差异的能力。实验结果表明,优化后的目标检测的平均检测精度相比于原始YOLOv5提升了11%,在UAVDT数据集上相较于原始跟踪算法准确率与精度分别提高了13.288%、3.968%,有效减少目标身份切换频次。     

基于RX算法的高光谱红外弱小目标检测

主要针对高光谱红外图像中弱小目标的检测方法进行研究,根据目标检测的RX算法模型,给出了算法在高光谱目标检测中的性能评价,分析了检测器像元数、光谱波段数对算法性能的影响,在RX算法及相关改进算法的基础上,通过对AVIRIS数据的仿真实验,分析了相关矩阵在高光谱目标检测中算法的应用优势,提出了一种目标自动检测方法,验证了UTD算法对有特定波段依赖性的小目标有良好检测效果.理论分析和仿真实验证明了RX算法在红外高光谱目标自动检测中的有效性.