基于YOLO算法的车辆实时检测

目前,基于机器视觉的车辆检测算法存在检测速度较慢的问题。针对该问题,提出一种基于YOLO算法的车辆实时检测方法。YOLO检测算法的基本模型由卷积层,池化层以及全连接层组成,具有强鲁棒性以及能够快速完成车辆检测任务。选择交通监控视频作为数据集进行车辆检测试验。结果表明,YOLO检测算法的查准率为89.3%,查全率为81.0%,检测速度达到60f/s,基本满足交通监控中车辆检测的实时性需求,说明该方法合理可行。运用该方法与2种不同的检测算法进行对比分析,得出YOLO算法的检测速度最快。     

基于卷积神经网络的仓储物体检测算法研究

针对仓储环境中物体检测公开数据集匮乏的问题,通过摄像机采集真实仓储环境中包含货物、托盘和叉车的大量图像进行标注,创建了一个仓储物体数据集. 同时针对传统物体检测算法在仓储环境中检测准确率较低的问题,将基于卷积神经网络的DSOD应用于仓储环境中,通过在自己创建的仓储物体数据集上从零开始训练DSOD模型,实现了仓储物体的准确性检测. 该算法的mAP达到了93.81%,比Faster R-CNN、SSD分别提高了0.04%、1.44%; 并且模型大小仅有51.3 MB,比Faster R-CNN、SSD分别减小了184.5 MB、43.4 MB. 实验结果表明,该算法获得了较为满意的仓储物体检测效果,其在仓储物体检测领域具有一定的实用价值.     

融合YOLO检测的孪生网络目标跟踪

针对全卷积孪生神经网络(fully-convolutional Siamese network, SiamFC)在目标发生明显外观变化、目标快速运动等复杂场景下跟踪精确度不足,以及在跟踪目标丢失后由于采用局部搜索策略导致无法重新捕获追踪目标的问题,引入YOLO(you only look once)v3作为再检测网络对SiamFC进行改进。改进算法在SiamFC的跟踪点漂移后会启用目标检测网络进行全局搜索,同时在SiamFC跟踪响应图的峰值小于某一确定阈值时启用目标检测网络对跟踪目标位置进行重新检测与判定,从而可以重捕并更精确地判定复杂环境下的运动目标。在公共数据集OTB2013、OTB2015和UAV20L上进行了实验,实验结果表明,与SiamFC相比,改进算法在OTB2015数据集上的精确度提升了2.9%、成功率提升了1.7%,在UAV20L数据集上的精确度提升了1%、成功率提升了2.6%。此外,通过与目前主流的跟踪算法进行比较得出,改进算法达到了领先的性能。对数据集中不同属性的视频序列进行分析,实验表明改进算法在目标形变、尺度变化、严重遮挡、目标离开视野以及背景混淆5种干扰属性上...     

基于YOLO神经网络的雷达目标成像识别评估研究

针对复杂地面背景环境下的武器装备精确探测识别需求,采用Lee增强滤波、对比度自适应直方图均衡化和能量归一化等图像预处理方法,提高SAR图像质量;通过引入两个可学习的参数和采用基于非极大值抑制(NMS)方法构建了优化的YOLO神经网络目标识别方法,对基于轮廓、纹理等特征的地面目标SAR图像自动识别进行了实验.实验结果表明...     

基于改进YOLO v5的森林火灾检测算法研究

为提高森林火灾检测识别率,同时降低漏检、误检率,缩减后续救援时间,提出一种基于改进YOLO v5的森林火灾目标检测算法。针对火灾目标漏检问题,在YOLO v5骨干网络加入卷积注意力机制(CBAM),对森林火灾的小目标在通道和空间进行特征提取;针对火灾目标重合问题,把路径聚合网络(PANet)替换为加权双向特征金字塔网络(BiFPN),增强模型识别能力;针对YOLO v5中原始采样方式无法将特征信息完全捕获的问题,所以将CARAFE上采样作为最新的上采样方式,提高采样效率。实验结果表明,与其它主流算法相比较,该算法拥有更好的检测效果,其检测性能相比于原始算法提升了2.6%,更适用于森林火灾检测。     

基于残差网络与特征融合的改进YOLO目标检测算法研究

以深度学习为基础的YOLO目标检测技术因检测速度快,而广泛应用于实时目标检测领域中,但其检测准确率不高,尤其是对小物体的检测能力较差。针对上述问题,本文提出一种改进模型——R-YOLO。该模型将残差单元引入YOLO目标检测,既可以通过增加网络的深度,提高网络的准确性,又可以利用残差网络的快捷连接方式,以保证检测的实时性。同时结合CBNet结构,增强语义信息,进一步提高R-YOLO的准确性。最后在改进的YOLO模型中通过特征金字塔融合,结合不同阶段卷积层输出的特征信息,使得融合后的特征图同时具有深层次的语义信息和浅层次的位置信息,以提高对小物体的检测准确性。在Pascal数据集上的实验显示R-YOLO在准确率上较YOLO提高了7.6个百分点,对小物体的检测结果更准确。结果表明,残差单元和特征金字塔融合的引入有效改进了YOLO网络模型的检测性能。     

基于改进FCOS的细长物体检测算法

目标检测作为计算机视觉的重要分支之一应用广泛,其中针对细长物体的检测不仅研究成果少,且识别精度低。相较于基于锚框的检测算法,无锚框方法对任意几何形状物体的定位均具有较好的灵活性,能更好地适应细长物体的形状,其中基于全卷积网络的一阶段检测算法(FCOS)通过基于中心度的预测框抑制机制可以更好地标定细长目标。据此提出改进FCOS的细长物体检测算法,将FCOS骨干网络中卷积运算替换为可变形卷积,设计了增强的特征金字塔网络的特征融合模块(EFPN),EFPN充分利用通道注意力机制和空洞卷积减少语义信息的丢失,同时能进行有效的特征融合;为更好标定细长目标,使用带有细长度的中心度抑制低质量的检测框。实验结果表明,改进的算法与FCOS相比平均精度提升了3.3%,与卷积神经网络(Faster R-CNN)相比提升了6.9%,验证了其有效性。     

基于改进随机蕨的移动机器人物体识别算法

物体识别是智能移动机器人的重要功能之一,针对计算机视觉领域移动机器人在约束场景,如低图像分辨率,运动模糊和背景杂乱等相关研究比较少的现状,根据移动机器人捕获图像的特点,对随机蕨算法的参数进行了调整,并对匹配标准进行了改进,取得了较好的识别正确率。该算法实时性较好,适用于移动机器人的物体识别。     

基于改进YOLO V3的接触网绝缘子检测方法

为代替人工对4C巡检车拍摄铁路接触网图像进行分析,使检测的速度和准确率达到实用的要求,本文提出一种基于改进YOLO V3的接触网绝缘子检测方法。该方法在YOLO V3的网络结构Darknet-53的第二个残差块和第三个残差块中间再增加一个新的对小目标友好的4倍降采样的残差块,提高对小目标的检测准确率。并根据相似图像中绝缘子的位置大体相同的特点,通过感知哈希算法分类图像,对同类图像采用候选区域扫描策略加快检测速度。实验结果表明改进后的方法对绝缘子检测的准确率从93.6%提升至99.2%,同类图像的检测速度提升了46%。     

改进YOLO v5s网络的混凝土裂缝检测方法

针对现有混凝土裂缝检测算法效率低下,计算量与模型体积巨大,难以部署到低算力移动平台上等问题,提出了一种改进YOLO v5s模型的轻量化混凝土裂缝检测算法。首先基于Ghost卷积的思想设计出更为轻量化的LG卷积模块,进一步减少网络的特征冗余与参数量;其次采用Shuffle Net中的Channel Shuffle模块与Ghost卷积模块组成LGS模块,可以平衡网络模型的参数量和准确性;最后引入ECA注意力机制,加强特征图的通道特征。试验结果表明：改进后的YOLO v5s的混凝土裂缝检测算法在自定义混凝土裂缝数据集上与YOLO v5s原始网络相比,mAP@0.5提高了1.2%,mAP@0.5∶0.95提高了4.3%,网络参数量减少了47.8%,模型体积减少了44.8%,满足混凝土裂缝高精度和轻量化检测要求。     

基于特征图像方法的运动物体检测

在传统特征图像方法基础上,提出一种基于分块边缘特征图像的运动物体检测算法.该算法对背景图和叠加图进行分块处理,分别提取出背景图与叠加图的最大特征向量,求得背景图与叠加图的各块投影系数,进行运动物体的匹配检测.在实际处理时,采用了canny算子获取边缘图的方法来进行检测,以消除光照等外界干扰对检测的影响.     

BP神经网络算法在图像预测物体重量中的应用

本采用误差反向传播算法(BP)通过图像预测物体重量,先对图像进行特征提取,再用BP算法进行训练,建立了图像识别重量模型。利用水杯图像相关资料建立了数据库,由水杯图像的特征因素作为样本对网络进行训练,并用训练好的网络预测未知水杯重量。由实例表明,该方法在测物体重量中是可行的,误差较小,为物体重量预测提供了一种新思路和新方法。     

LVQ神经网络在三维物体识别中的应用

三维物体识别已经广泛应用于工业、医疗及军事等领域,是近年来的研究热点之一.传统的识别方法是根据二维图像来识别三维物体.但摄像机从不同角度拍摄三维物体,引起三维物体的图像变化,使图像特征发生改变,这会严重影响三维物体识别的准确性.针对这个问题,本文采用矩不变量作为图像的特征向量,并且应用LVQ神经网络进行训练,实现识别三...     

基于可变形物体的碰撞检测算法

为了提高可变性物体在虚拟现实技术中碰撞检测的效率和准确度,提出了一种改进的基于可变形物体的碰撞检测算法。该算法利用蚁群算法优化蛇形轮廓模型,并将蛇形轮廓模型应用于固定方向凸包包围盒的更新过程中。实验结果表明,该算法极大地简化了固定方向凸包包围盒算法的重建过程,提高了碰撞检测的效率,同时由于加入优化的蚁群算法,提高了碰撞检测的准确度。     

简单物体的识别与定位

本文利用图象预处理技术和模式识别技术对计算机视觉进行了分析。对一个假想的三维线型世界，本文提出了一种简单、有效的分析方法，并做了相应的实验，获得了满意的效果。首先采用双摄象头捕促一场景的左、右两幅图象，分别进行图象处理和边缘跟踪，获得各轮廓点后，根据线型物体和轮廓的几何特点，求得各角点，然后，利用粗细扫描相结合的方法搜索内角点，接着对左右两幅图象的角点进行匹准，根据匹准后的角点坐标对空间物体进行定     

基于不变矩和神经网络的三维物体识别

为了提高三维物体识别系统的识别率,研究了将三维物体的不变矩作为物体特征,结合改进的BP神经网络应用于三维物体分类识别。理论分析和仿真实验表明,利用三维物体的不变矩特征能够有效地进行识别,对不变矩特征进行主成分分析可以进一步提高识别性能,达到100%的识别率,并降低神经网络结构复杂性和减少训练时间。     

运动目标检测与识别算法的研究

传统的运动目标检测方法不能精确检测目标发生仿射形变,为此提出一种动态模板匹配改进算法。该算法首先利用改进后的瞬时差分算法对序列图像中的运动物体进行检测和定位,提高检测与识别的实时性;其次,采用仿射不变矩作为提取目标时的不变特征,从而克服不能有效检测与识别时发生仿射形变目标的缺点。实验仿真结果表明,该算法优于传统的动态模板匹配算法。     

用人工神经网络测量三维物体轮廓的研究

采用一种新的测量方法－－用人工神经网络测量三维物体的轮廓,完成了对物体的轮廓测量。主要对ＢＰ网络的结构、各层节点数以及如何调节网络进行了探讨,同时编制了图像处理软件。在网络学习方面,使用了批处理和个别处理两种训练方式相结合的方法。结果是,对相同的网络,两种训练方式的效果几乎相同,目前测量精度达到毫米级。     

基于混合池化YOLO的目标检测方法

针对目标检测方法中存在的正负样本分布不均衡、检测精度低等问题,提出了一种基于混合池化YOLO的目标检测方法（object detection method based on mixed-pooling YOLO,ODMMP-YOLO）. ODMMP-YOLO首先将混合池化融入Darknet-53网络构造出一种新颖的DMP(darknet based on mixed pooling)网络模型,能够在下采样阶段有效减少特征图信息的丢失,从而提升识别精度;然后采用GIoU(generalized intersection over union)定位损失衡量真实边框与预测边框之间的距离,有效地提升定位精度;在计算置信度损失时给予误分检测框更多的loss惩罚,有效解决正负样本分布不均衡的问题.在PASCAL VOC 2007数据集上对ODMMP-YOLO进行验证,实验结果表明：与传统YOLOv3目标检测方法相比,ODMMP-YOLO识别部分单独类别时的平均精度AP提升约15%,在识别所有类别时的均值平均精度mAP值提升约5%;与其他主流检测方法相比,ODMMPYOLO能够更好地识别与定位日常生...