基于DPM模型的行人检测技术的研究

在行人检测领域,当场景很复杂时,一般行人检测算法往往得不到很好的检测效果。比如在行人很多且靠的很近时,用基于梯度直方图的检测算法时,检测效果不是很好。由P.Felzenszwa提出一种以可变形部件模型为基础的检测算法,能够检测多样变化的目标类型并且在挑战Pascal目标检测中达到较高水平。该算法使用隐变量支持向量机,是一种在支持向量机基础上添加潜在变量而重新构建的支持向量机。本文提出了一种基于可变形部件模型的行人检测算法,通过建立多人体模板,在行人相互靠近有重叠的场景下有着很好的检测效果。     

基于概率分布混合模型的遮挡行人检测算法

可变形部件模型在行人检测方面可以得到很好的检测性能,然而在处理遮挡问题时,容易出现遮挡造成检测信息的丢失,检测得分值将会下降至低于阈值而出现漏检问题。文中针对于行人检测的部分遮挡问题提出了概率密度混合模型,改善部分遮挡环境下的检测得分值,并在INRIA、遮挡INRIA以及ETHZ数据库进行对比实验,取得了良好的检测效果。     

基于双目视觉感兴趣区域的行人检测

针对复杂背景下的行人检测,易受环境的干扰(尤其是树木)而导致识别不准确以及行人特征提取困难等问题:根据双目视觉获取图像深度信息,文章提出了一种基于双目视觉的目标深度定位的方法,减少了传统式特征描述的运算,获得了感兴趣区域;然后引入卷积神经网络的行人模型,对感兴趣区域进行精确识别,从而达到行人检测的目的。模型使用INRIA行人数据库和MIT数据库进行混合训练,深度学习行人的轮廓特征,形成行人模型来对感兴趣区域判定。实验表明,文章提出的方法确实有效,优于一般的深度学习模型的行人检测以及传统的行人检测方法。     

HOG特征混合模型结合隐SVM的感兴趣目标检测定位算法

针对传统基于梯度方向直方图特征检测算法对解决目标模型单一、发生形变、存在遮挡及目标受干扰下定位困难的问题,提出一种基于HOG特征混合模型结合隐SVM的感兴趣目标检测算法。首先利用用训练图像的HOG特征金字塔表示得到包含感兴趣目标根模型、部件模型和对应可变形部件特征表示,该模型不仅描述目标的整体轮廓,而且能够捕捉到更为精细的目标部件轮廓,在一定程度上提高了检测算法在目标姿态复杂情况下的鲁棒性。然后利用HOG特征混合特征训练部件检测分类器LSVM(Latent Support Vector Machine)。最后通过动态规划和距离转换算法在测试图上扫描出与可变形部件模型相匹配的区域,实现感兴趣目标的检测定位。经过多组实验结果表明,所提出的算法能较好地解决目标在发生较大形变和存在遮挡等复杂姿态下的定位问题。      

交通监控系统中车辆和行人的检测与识别分析

在识别以及检测行人以及车辆的过程中主要是将帧间差分结合起来,建立动态交通场景视频图像监控的序列背景模型,之后再借助背景消除法有效检测监控视频中目标的运动状况,将运动目标的轮廓提供出来,最后利用支持向量机,快速识别检测出来的运动目标。研究结果显示,这样的识别和检测的方法更加有助于精确地检测和分类识别,在监控视频中运动的行人以及车辆,自动报警有出现非法入侵的行人。本文探析了在实际的监控交通系统中识别以及检测行人以及车辆的主要状况分析,帧间差分动态更新背景模型的运动目标检测算法,以及基于支持向量机基础之上自动识别行人以及车辆。     

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。     

基于分级判断的行人检测

传统的目标检测方法需要对大量候选窗(区域)做判 断,需要较大的计算量。本文根据 人体特点,提出了一种基于分级判断的方法,需要判断的候选窗逐级减少,因此可以大量减 少复杂特征和 分类器需要判断的候选窗数量,进而减少整个检测算法的计算量。算法首先对待检测图像提 取NG(norm of gradients)特征,通过线性支持向量机(SVM)判断得到行人的候选区域;然 后对候选区域提取简化 梯度方向直方图(HOG,histograms of oriented gradients)特征,采用线性SVM对候选区域 进一步的过滤;最后对经过过 滤筛选得到的区域提取多分辨率HOG特征,使用可变形部件模型(DPM,deformation part mod el)对候选区域进行检测定位行人的位置。在INRIA数据集上的实验结果表明,本文方法在保 证检测精度的情况 下,虽然相比 于原始DPM算法有少数的行人漏检,但是本文方法的检测结果中行人误检数目远少于原始DP M算法,检测速度也优于原始DPM算法。     

基于可变形卷积神经网络的遥感影像密集区域车辆检测方法

车辆检测是遥感图像分析领域的热点研究内容之一,车辆目标的智能提取和识别,对于交通管理、城市建设有重要意义。在遥感领域中,现有基于卷积神经网络的车辆检测方法存在实现过程复杂并且对于车辆密集区域检测效果不理想的缺陷。针对上述问题,该文提出基于端到端的神经网络模型DF-RCNN以提高车辆密集区域的检测精度。首先,在特征提取阶段,DF-RCNN模型将深浅层特征图的分辨率统一并融合;其次,DF-RCNN模型结合可变形卷积和可变形感兴趣区池化模块,通过加入少量的参数和计算量以学习目标的几何形变。实验结果表明,该文提出的模型针对密集区域的车辆目标具有较好的检测性能。     

一种基于可变形部件模型的快速对象检测算法

为了解决可变形部件模型检测过程中的速度瓶颈问题,该文针对模型的检测流程,提出一种结合快速特征金字塔计算的级联可变形部件模型。由于模型的检测速度主要取决于特征计算以及对象定位这两个过程,提出一种两阶段的加速算法:首先采用尺度上稀疏采样的特征金字塔来近似表示精细采样的多尺度图像特征,以加快特征计算过程;然后在定位过程中结合级联算法,以一个序列模型顺序地评估各个部件,从而快速剪除大部分可能性较小的对象假设,以加快对象定位过程。在PASCAL VOC 2007和INRIA数据集上的实验结果表明,该算法可以明显加快检测速度,而检测精度仅略有下降。     

基于YOLO算法的行人检测方法

针对复杂道路交通环境,选择YOLO(You Only Look Once)实时目标检测算法,对行人目标进行检测识别的研究。YOLO算法在目标检测的速度和精度上都取得过良好效果。首先在YOLO网络模型的基础上针对行人单类检测问题,修改分类器,并通过卷积操作改变网络最后的输出维度;其次通过对道路交通场景下采集到的样本图片进行标注,得到行人数据集;然后采用相同预训练模型在YOLOv2和YOLOv3上训练,通过优化网络参数,加速模型收敛。实验结果分析可知,基于改进的YOLOv3的行人目标检测方法更能满足实时性的要求。     

结合单双行人DPM模型的交通场景行人检测

针对日常交通场景下,行人目标易被遮挡,影响行人检测效果的问题,提出一种结合单行人和双行人DPM模型的交通场景行人检测方法.该方法首先从INRIA、ETH等行人数据集中提取训练样本的DPM特征,通过LatentSVM方法训练得到单、双人DPM模型;然后采用分类检测方法,将交通场景行人分为单独分布行人和混合分布行人两类.检测时首先使用双行人模型SDP-DPM对目标图像进行目标匹配,如果没有检测到双行人目标,则判定为单独分布行人情况,转而使用单行人模型SP-DPM进行检测,并保存检测结果;如果检测到双行人目标,则判定为混合分布行人情况,此时先保存对应的双行人滤波响应,再使用单行人模型进行二次检测,并将两次检测的结果进行加权结合.实验结果表明,本文算法能够在行人相互遮挡严重的交通环境下,有效检测出行人,整体精度优于传统的DPM算法和当前行人检测的主要流行算法.     

复杂环境下多尺度行人实时检测方法

作为计算机视觉和图像处理研究领域中的经典课题,行人检测技术在智能驾驶、视频监控等领域中具有广泛的应用空间。然而,面对一些复杂的环境和情况,如阴雨、雾霾、被遮挡、照明度变化、目标尺度差异大等,常见的基于可见光或红外图像的行人检测方法的效果尚不尽如人意,无论是在检测准确率还是检测速度上。该文分析并抓住可见光和红外检测系统中行人特征差异较大,但在不同环境中又各有优势的特点,并结合多尺度特征提取方法,提出一种适用于多样复杂环境下多尺度行人实时检测的方法——融合行人检测网络(FPDNet)。该网络主要由特征提取骨干网络、多尺度检测和信息决策融合3个部分构成,可自适应提取可见光或红外背景下的多尺度行人。实验结果证明,该检测网络在多种复杂视觉环境下都具有较好的适应能力,在检测准确性和检测速度上均能满足实际应用的需求。     

夜间复杂场景下红外图像行人检测算法研究

针对夜间红外图像中行人与背景灰度差异小且存在遮挡等问题,提出了一种夜间复杂场景下的红外行人检测算法.首先利用行人语义融合方法生成对目标全覆盖的显著图,与原图融合得到感兴趣区域,然后构造基于改进的方向梯度直方图特征的两分支分类器,同时提出一种遮挡判别算法,根据分类器模糊分数判断是否遮挡,设计一种头部模板实现最终的行人检测...     

语义增强引导特征重建的遮挡行人检测

行人被严重遮挡导致无法提取有效特征是行人检测中出现漏检的一个主要原因。为了解决该问题,提出一种语义增强引导特征重建的遮挡行人检测算法。首先,利用空间和通道之间的依赖性设计了语义特征增强模块,建立全局上下文信息用以增强遮挡行人特征。其次,为关注行人的可见区域,通过自适应特征重建模块生成语义分割图,自适应调整通道的有效权重,增强行人和背景的可判别性。最后,通过多层次级联语义特征增强和自适应特征重建两个模块得到多层次特征图,融合多特征用以最终的行人解析。实验结果表明,该方法在具有挑战性的行人检测基准CityPersons和Caltech上,对严重遮挡目标的漏检率分别实现了47.28%和44.04%,在遮挡行人的检测上相较于其他方法具有较好的鲁棒性。     

Key points and visible part fusion attention network for occluded pedestrian detection in traffic environments

Aiming at the problem of low detection accuracy of occluded pedestrian in traffic environments, this paper proposes a key points and visible part fusion network for occluded pedestrian detection. The proposed algorithm constructs two attention modules by introducing human key points and the bounding box of visible parts respectively, which suppresses the occluded parts in the channel features and spatial features of pedestrian features respectively. Experimental results on CityPersons and Caltech datasets demonstrate the effectiveness of the proposed algorithm. The missing rate (MR) is reduced to 40.78 on the Heavy subset of the CityPersons dataset and surpasses many outstanding methods.     

复杂环境中车辆检测与跟踪方法的研究

提出了一种在复杂环境中车辆检测与跟踪方法。该方法首先分析车辆的外形特点,确定采用从Blob块提取的几何形状参数作为车辆的特征并用于运动车辆的检测;然后结合Blob分析和CamShift算法提出了车辆跟踪方法。实验结果表明,本文采用的车辆特征参数能够准确地检测车辆,并能准确地区分车辆和行人群体,车辆检测与跟踪准确率分别达到了96.7%和86.7%,证明该方法适用于复杂环境下车辆的检测与跟踪应用要求。     

基于YOLOv5算法的红外图像行人检测研究北大核心CSCD

目标检测是自动驾驶的重要前提,是与外界信息交互的重要环节。针对夜间远处行人检测识别精度低、漏检的问题,提出一种针对检测小尺寸行人的YOLOv5-p4的夜间行人识别模型。首先,通过增加更小目标的检测层,引入BiFPN特征融合机制,防止小目标被噪声淹没,使网络模型可以更聚焦于物体的细小特征;同时使用K-means先验框聚类出更小目标的锚框,并且使用了多尺度的数据增强方法,增加模型的鲁棒性。使用了MetaAcon-C激活函数与EIoU回归损失函数使模型收敛效果更好,提升了算法远距离行人的检测的准确率。最后在红外行人数据集FLIR上验证改进后的YOLOv5-p4模型对于行人的检测能力,实验结果表明该方法与传统方法相比,准确率从86.9%提升到90.3%,适合用于红外图像中的行人检测。     

基于GPU的高清视频图像行人检测方法研究

对视频或图像中的行人进行检测使用HOG特征与支持向量机SVM相结合的方法,取得了良好的效果,但是由于HOG特征的计算量非常大,难以满足实时检测的需要,文章针对这一情况提出并实现一种在GPU环境下使用并行加速策略的高效行人检测方法。实验证明这种方法快速有效,大大地提高了行人检测的效率。