基于anchor-free的交通场景目标检测技术

在智能交通领域使用深度学习的方法进行目标检测已成为研究热点。当下经典的目标检测算法,无论是基于回归的单阶目标检测模型还是基于候选区域的二阶段目标检测模型,大部分是利用大量预定义的先验框anchor枚举可能的位置、尺寸和纵横比的方法来搜索对象,往往会造成正负样本严重不均衡的问题,模型的性能和泛化能力也受到anchor自身设计的限制。针对基于anchor的目标检测算法存在的问题,利用单阶目标检测网络RetinaNet,对交通场景中的车辆、行人和骑行者建立基于anchor-free的目标检测模型,采用逐像素预测的方式处理目标检测问题,并添加中心性预测分支,提升检测性能。实验表明,与基于anchor的原RetinaNet算法相比,改进的基于anchor-free的目标检测模型算法能够对交通场景中的车辆、行人、骑行者实现更好的识别。     

基于可变形部件模型的粒子滤波快速行人检测与跟踪

针对视频中的行人检测和跟踪问题,提出一种基于可变形部件模型的快速行人检测、改进粒子滤波的行人跟踪算法。在行人检测阶段,为了改善非刚体行人的检测精度,采用了混合多尺度可变形部件模型;同时为了加速行人底层特征的计算,采用了基于预测算法的快速特征金字塔计算行人特征,代替传统的计算图像特征金字塔的每一个尺度特征。在行人跟踪阶段,采用时变的状态空间模型和基于颜色梯度直方图的观测模型对检测到的行人进行跟踪。实验证明,改进的行人检测算法可以在性能损失忽略不计的条件下,大大提高检测速度,并且相对于传统的行人跟踪,改进的粒子滤波算法对行人这一非刚性目标能实现较好的跟踪。     

基于多特征级联的视频监控中行人检测

针对基于机器学习的常规行人检测方法无法适应行人目标尺寸缩放、姿态多变及干扰噪声较大等问题,提出了一种级联LBP、SPHOG和SURF特征的自适应行人检测算法。该算法首先采用基于LBP特征的行人分类器去除大量非行人区域,在剩余区域用基于SPHOG特征行人分类器再次缩小区域,最后用基于SURF特征行人分类器检测并标记出行人目标。实验结果表明,该算法有效解决了行人尺度缩放、行人姿态多变和背景区域干扰噪声大问题,算法的准确度和实时性均取得了较大的改进。     

基于YOLOv4改进算法的复杂行人检测模型研究

在图像和视频序列中进行行人检测时,存在行人姿态和尺度多样及行人遮挡的问题,导致YOLOv4算法对部分行人检测不准确,存在误检和漏检的情况。针对这一问题,提出了基于YOLOv4改进算法的复杂行人检测模型。首先,使用改进的k-means聚类算法对行人数据集真实框尺寸进行分析,根据聚类结果确定先验框尺寸;其次,利用PANet进行多尺度特征融合,增强对多姿态、多尺度行人目标的敏感度,以提高检测效果;最后,针对行人遮挡问题,使用斥力损失函数使预测框尽可能地靠近正确的目标。实验表明,相比于YOLOv4和其他行人检测模型,新提出的检测模型具有更好的检测效果。     

基于自校准卷积网络的行人检测方法

针对已有行人检测算法存在的小尺度行人信息描述不充分的问题,提出一种基于自校准卷积网络的行人检测算法.通过将CSP算法的主干网络更换为SCNet自校准卷积网络,有效扩大了网络的感受野范围;将主干网络的低层特征像素信息和高层特征语义信息进行融合,有效促进小尺度行人的检测;对精细的多尺度卷积特征进行多层连接,将行人检测简化为...     

基于三维模型的粒子滤波行人跟踪算法

针对传统行人跟踪算法得到运动轨迹与真实轨迹差异巨大的问题,提出一种基于三维模型的粒子滤波行人跟踪算法.该方法利用摄像机标定信息和图像帧信息建立行人的三维模型,解决图像中目标尺度的变化问题,并得到目标的真实运动轨迹.同时该方法利用双指数预测模型对粒子滤波算法进行优化,以解决短时遮挡问题,同时降低运算复杂度.实验表明,基于三维模型的粒子滤波行人跟踪算法能够较准确地建立行人三维模型,对比标准粒子滤波和KPF算法,能够对行人进行有效跟踪,对短时遮挡和尺度变化有较强的鲁棒性.     

基于融合FPN和Faster R-CNN的行人检测算法

针对多尺度行人检测的问题,本文提出一种基于融合特征金字塔网络（Feature pyramid networks,FPN）和Faster R-CNN(Faster region convolutional neural network)的行人检测算法。首先,对FPN和区域建议网络（Region proposal networks,RPN）进行融合;然后,对FPN和Fast R-CNN进行融合;最后,在Caltech数据集、KITTI数据集和ETC数据集上分别对融合FPN和Faster R-CNN的行人检测算法进行训练和测试。该算法在Caltech数据集、KITTI数据集和ETC数据集上的mAP (mean Average Precision)分别达到69.72%, 69.76%和89.74%。与Faster R-CNN相比,该算法不仅提高了行人检测精度,而且在多尺度行人检测的问题上也获得了较为满意的检测效果。     

改进YOLOv3的安全帽佩戴检测方法

针对在智能监控中安全帽佩戴检测准确率低和检测速率慢的问题,提出一种基于改进YOLOv3（You Only Look Once）的安全帽佩戴检测算法YOLOv3-WH。在YOLOv3算法的基础上改进网络结构,增大输入图像的尺度,使用深度可分离卷积结构替换Darknet-53传统卷积,减少特征的丢失,缩减模型参数,提升检测速率;使用多尺度特征检测,增加浅层检测尺度,添加4倍上采样特征融合结构,提高安全帽佩戴检测准确率;优化[K]-Means聚类算法,获取安全帽佩戴检测的先验框（anchor box）,按照预测尺度大小分配适合的anchor,提升模型训练和检测速率。实验结果表明YOLOv3-WH相比YOLOv3,每秒检测帧数（FPS）提高了64%,检测平均精确度（mAP）提高了6.5%,该算法在提升了安全帽佩戴检测速率的同时提升了检测的准确率,对安全帽佩戴检测具有一定的实用性。     

基于Faster R-CNN的零件表面缺陷检测算法

针对人工和传统自动化算法检测发动机零件表面缺陷中准确率和效率低下,无法满足智能制造需求问题,提出了一种基于深度学习的检测算法.以Faster R-CNN深度学习算法为算法框架,引入聚类理论来确定anchor方案,通过对比k-meansII和CURE聚类算法生成anchor对检测结果的影响,提出了基于聚类生成anchor方案的Faster R-CNN的零件表面缺陷检测算法,并引入多级ROI池化层结构,减少ROI池化过程中取整带来的偏差,实现高效并准确检测零件表面缺陷的目的.通过设计缺陷图像数据采集方案,建立了3种缺陷零件数据集,并验证了算法的性能.实验结果表明,该算法将缺陷检测的均值平均精度mAP从原算法的54.7%提高到97.9%,检测速度最快达到4.9 fps,能够满足智能制造的生产需求.     

基于YOLO的多模态加权融合行人检测算法

在夜间光照不足、目标被遮挡导致信息缺失以及行人目标多尺度的情况下,可见光单模态行人检测算法的检测效果较差。为了提高行人检测器的鲁棒性,基于YOLO提出一种可见光与红外光融合的行人检测算法。使用Darknet53作为特征提取网络,分别提取2个模态的多尺度特征。对传统多模态行人检测算法所使用的concat融合方式进行改进,设计结合注意力机制的模态加权融合层,以加强对融合特征图的模态选择。在此基础上,使用多尺度的融合特征进行行人检测。实验结果表明,模态加权融合较concat融合有较大的精度提升,且该算法在夜间光照不足、目标遮挡和目标多尺度情况下检测效果良好,在KAIST数据集上的检测精度优于HalFusion和Fusion RPN+BDT等算法,检测速度也有较大提升。     

深度学习行人检测方法综述

行人检测技术在智能交通系统、智能安防监控和智能机器人等领域均表现出了极高的应用价值,已经成为计算机视觉领域的重要研究方向之一。得益于深度学习的飞速发展,基于深度卷积神经网络的通用目标检测模型不断拓展应用到行人检测领域,并取得了良好的性能。但是由于行人目标内在的特殊性和复杂性,特别是考虑到复杂场景下的行人遮挡和尺度变化等问题,基于深度学习的行人检测方法也面临着精度及效率的严峻挑战。本文针对上述问题,以基于深度学习的行人检测技术为研究对象,在充分调研文献的基础上,分别从基于锚点框、基于无锚点框以及通用技术改进(例如损失函数改进、非极大值抑制方法等)3个角度,对行人检测算法进行详细划分,并针对性地选取具有代表性的方法进行详细结合和对比分析。本文总结了当前行人检测领域的通用数据集,从数据构成角度分析各数据集应用场景。同时讨论了各类算法在不同数据集上的性能表现,对比分析各算法在不同数据集中的优劣。最后,对行人检测中待解决的问题与未来的研究方法做出预测和展望。如何缓解遮挡导致的特征缺失问题、如何应对单一视角下尺度变化问题、如何提高检测器效率以及如何有效利用多模态信息提高行人检测精度,均是值得进一步...     

无线传感器网络中锚节点无关定位算法研究

关于无线传感器网络节点自身定位问题的研究,目前主要的研究工作集中在基于锚节点的定位方法.考虑到锚节点配置限制和配置成本因素,提出了锚节点无关定位方法.对锚节点无关的3种定位算法AFL算法、KPS算法和ABC算法进行了分析和比较,提出了锚节点无关定位算法需进一步解决的问题.     

基于非对称沙漏网络结构的目标检测算法

基于无锚框深度学习的目标检测是一种主流的单阶段目标检测算法。融合多层监督信息的沙漏网络结构能够显著提升无锚框目标检测算法的精度,然而其速度却远低于同层次的普通网络的速度,并且不同尺度目标间的特征会互相干扰。针对上述问题,提出了一种非对称沙漏网络结构的目标检测算法。该算法在融合不同网络层的特征时不受形状大小的约束,能够快速高效抽象出网络的语义信息,使模型更容易学习到各种尺度之间的差异。针对不同尺度目标检测问题,设计了一种多尺度输出的沙漏网络结构用来解决不同尺度目标间特征互相干扰的问题,并精细化输出的检测结果。另外,针对多尺度输出使用了一种特殊的非极大值抑制算法以提高检测算法的召回率。实验结果表明,所提算法在COCO数据集上的AP50指标达到61.3%,相较于无锚框网络CenterNet提升了4.2个百分点。所提算法在精度与时间的平衡上超越了原始算法,尤其适用于对工业场景的目标进行实时检测。     

改进FCOS的二阶段SAR舰船检测算法

近年来无锚框的目标检测算法逐渐被应用于SAR舰船检测,其中FCOS算法摆脱了对锚框参数设置的依赖,对多尺度、多形态舰船检测的鲁棒性更好,但仍存在两个问题：第一、该算法直接进行逐像素点回归,因搜索空间过大、目标回归困难导致检测不够准确;第二、其中特征金字塔对低层特征利用仍有不足导致小目标大量漏检。针对上述问题基于FCOS进行改进,通过增加特征增强网络构建了二阶段无锚框检测算法。该网络作为第一阶段对检测过程进行精细化引导,同时增强了舰船特征表达能力。通过引入更多特征并增加跳跃连接改进特征金字塔,提高了低层特征利用率。在数据集SSDD和SAR-Ship-Dataset上的实验结果表明,平均准确率（mAP）相比FCOS分别提高9.5和3.4个百分点,相比其他主流舰船检测算法分别提高3.6和1.0个百分点,充分验证了所提算法的有效性。     

基于改进YOLOv4的小目标行人检测算法

行人检测在无人驾驶环境感知领域具有重要应用。现有行人检测算法多数只关注普通大小的行人目标,忽略了小目标行人特征信息过少的问题,从而造成检测精度低、应用于嵌入式设备中实时性不高等情况。针对该问题,提出一种小目标行人检测算法YOLOv4-DBF。引用深度可分离卷积代替YOLOv4算法中的传统卷积,以降低模型的参数量和计算量,提升检测速度和算法实时性。在YOLOv4骨干网络中的特征融合部分引入scSE注意力模块,对输入行人特征图的重要通道和空间特征进行增强,促使网络学习更有意义的特征信息。对YOLOv4颈部中特征金字塔网络的特征融合部分进行改进,在增加少量计算量的情况下增强对图像中行人目标的多尺度特征学习,从而提高检测精度。在VOC07+12+COCO数据集上进行训练和验证,结果表明,相比原YOLOv4算法,YOLOv4-DBF算法的AP值提高4.16个百分点,速度提升27%,将该算法加速部署在无人车中的TX2设备上进行实时测试,其检测速度达到23FPS,能够有效提高小目标行人检测的精度及实时性。     

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。     

基于图切割和密度聚类的视频行人检测算法*

现有视频行人检测方法把行人检测看成一个有监督的两类(即行人和背景)学习问题,区分视频中的行人和背景,并不能很好解决行人的姿态变化和行人间的遮挡问题.文中提出基于图切割和密度聚类的行人检测算法,把行人检测看成一个多类的无监督学习过程.在训练阶段,首先对每个训练样本计算多级梯度方向直方图-局部二分模式(HOG-LBP)特征,然后对多级HOG-LBP特征所属的每个图像块分配不同的权值.为了区别行人的不同部位并赋权值,采用基于图像块的图分割方法从背景中分割行人所在的图像块.最后,再采用基于密度峰值的聚类算法对正样本和负样本分别进行无监督的聚类.在测试阶段,首先通过计算样本特征与每个聚类中心的距离,然后使用前5个最短距离进行投票,判断其是否包含行人.实验证明,文中算法较好解决行人的姿态变化和行人间的遮挡问题,并且随着训练样本的增加,能取得和目前最优行人检测方法可比较的结果.     

基于非对称沙漏网络结构的目标检测算法

基于无锚框深度学习的目标检测是一种主流的单阶段目标检测算法。融合多层监督信息的沙漏网络结构能够显著提升无锚框目标检测算法的精度，然而其速度却远低于同层次的普通网络的速度，并且不同尺度目标间的特征会互相干扰。针对上述问题，提出了一种非对称沙漏网络结构的目标检测算法。该算法在融合不同网络层的特征时不受形状大小的约束，能够快速高效抽象出网络的语义信息，使模型更容易学习到各种尺度之间的差异。针对不同尺度目标检测问题，设计了一种多尺度输出的沙漏网络结构用来解决不同尺度目标间特征互相干扰的问题，并精细化输出的检测结果。另外，针对多尺度输出使用了一种特殊的非极大值抑制算法以提高检测算法的召回率。实验结果表明，所提算法在COCO数据集上的AP50指标达到61.3%，相较于无锚框网络CenterNet提升了4.2个百分点。所提算法在精度与时间的平衡上超越了原始算法，尤其适用于对工业场景的目标进行实时检测。     

基于自适应特征卷积网络的行人检测方法

针对行人检测方法未能充分利用卷积网络浅层特征的问题,改进Faster R-CNN框架,提出了一种基于自适应特征卷积网络的行人检测方法。该方法有两处改进：a）设计了SFCM模块,用于提取卷积神经网络浅层细节特征;b）引用挤压与激励操作设计了AFCM模块,用于筛选检测所需的强辨识力行人特征。此外,利用公开的Caltech和INRIA行人数据集,通过在基准框架中逐一添加SFCM和AFCM模块训练行人检测器,验证了所提模块的有效性,并对比了主流行人检测算法。实验结果显示,所提方法的误检率分别降到了9.13%和9.46%,具有更优的检测性能。