基于YOLO的轻量红外图像行人检测方法

红外图像中行人的快速检测一直是计算机视觉领域的热点和难点。针对红外图像行人目标检测算法检测速度和检测精度难以平衡,算法模型体积较大,在中低性能设备中难以部署和实时运行的问题,提出了一种基于YOLO算法的轻量红外图像行人检测方法。在分析了MobileNet-v3等轻量网络在YOLO-v3算法上的性能和特点之后,该方法提出了引入注意力机制的轻量特征提取网络(CSPmini-a)、特征融合模块和解耦检测端分类回归结构三种改进措施,在满足网络模型轻量的情况下保证了一定的检测精度。实验表明,该方法有效的实现了红外图像行人目标检测的准确性和快速性。     

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。     

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YOLO的车辆行人闯红灯检测系统

文章针对现有的交通管理部门闯红灯检测系统进行改进,目的在于弥补传统电子眼系统只能对机动车辆进行闯红灯自动识别的缺陷,探究将深度学习技术应用到交管部门闯红灯抓拍系统的可行性。首先,面向交通路口复杂的环境,文章运用轻量化的微型计算机Jetson Nano进行车辆和行人闯红灯检测,并向交通管理部门发送相关信息,帮助交警进行查证闯红灯行为。其次,系统通过多种方式采集数据集,运用快速、灵活的YOLOv5算法进行模型训练。最后,将模型部署到内置Linux系统的微型计算机上,完成系统检测的核心功能。     

基于改进的ViBe和YOLO v3算法的行人检测方法

针对传统视觉背景提取（visual background extractor,ViBe）算法在进行行人检测时会产生鬼影的缺点,本文提出了一种基于改进的ViBe和YOLO v3算法的行人检测方法。利用改进的YOLO v3算法YOLO v3-SPP(spatial pyramid pooling)对ViBe算法的初始化策略进行改进以消除鬼影。运用YOLO v3-SPP算法对首帧图像进行行人检测,使用本文提出的行人消除方法将检测出的行人进行消除,并将输出图像代替ViBe算法的首帧,从而达到消除鬼影的目的。经过分析和实验验证,结果表明该算法能够有效解决鬼影问题。     

基于视频的行人闯红灯检测方法

针对行人闯红灯的研究,固定在交通路口的单目摄像机拍摄的视频图像背景基本不发生变化,但是室外环境下受光照、温度、天气以及其他原因造成摄像机自身抖动的影响,背景会随着时间发生一定的变化,需要采用自适应的背景建模方法。现采用了混合高斯背景建模的方法提取运动目标。在梯度方向直方图特征(HOG)基础上,运用MIT行人和汽车数据库通过SVM分类器训练,运用训练结果对视频图像当中运动目标进行分类,识别出视频图像当中的行人,运用颜色直方图、位置和轨迹特征对运动行人进行跟踪,结合交通信号和可行区域判断行人是否构成了闯红灯的行为。对视频图像的处理用于行人闯红灯研究,经实验论证切实可行。     

基于YOLO算法的红外图像目标检测的改进方法

传统红外图像行人检测方法利用人工进行比例模板设计和行人轮廓特征提取,由于预设模板比例相对固定,当行人因衣着增减、随身携带物品及姿态改变等原因使其轮廓比例发生较大变化时,往往会导致算法失灵而出现漏检现象。而基于深度学习的目标检测则通过对大量样本的本质特征进行抽象、提取、加工和整合,进而实现对更多样特征的学习。因此利用深度学习目标检测算法进行红外图像行人检测应用的研究可以弥补传统检测方法的不足。YOLOv3是目前性能较为均衡的识别算法,本文在分析YOLOv3系列算法的原理和特点的基础上提出了一个新的改进算法模型——Darknet-19-yolo-3,在几乎不损失检测精度的条件下提升检测速度,一定程度上实现检测准确率和速度的相对平衡。     

基于YOLOv3的视频场景行人检测研究

针对实际场景下密集行人检测存在目标多且小导致的检测效果不理想的问题,以YOLOv3算法作为网络结构的基础,在网络颈部提出位置特征增强网络,通过双向网络构建新层级的特征流进行融合提取丰富特征信息,配合引入惩罚项的DIoU边框回归损失函数获得更精确的预测定位,并聚类分析选择更符合行人特点的锚点框尺寸,综合提高检测精度.以录...     

基于双阶段轻量YOLO的红外行人伪影检测算法北大核心CSCD

由于镜面回波效应,红外图像采集过程中行人不可避免出现反射倒影(本文简称“伪影”)区域,此时对后续行人检测会造成一定程度影响,对上述情况,本文提出一种基于轻量YOLO(You Only Look Once)的双阶段网络检测框架,先检测“行人-伪影”联合区域再精准定位伪影位置。首先,针对YOLOv5s轻量检测算法进行改进,使用LSM(Light Sample Module)双分支结构替换原下采样部分,并嵌入注意力机制来提高模型的特征整合能力,实现红外图像的背景过滤和联合区域提取。其次,对联合区域进行无失真矩形填充保持原始特征,设计轻量级行人伪影定位网络LS YOLO(Light Structur YOLO)检测联合区域获得最终的伪影位置坐标。实验结果表明,本文算法能够满足实时检测要求,在数据集中,相比其他算法获得更好的检测效果,行人伪影的检测正确率达到9545%。     

基于深度学习的YOLO目标检测综述

目标检测是计算机视觉领域的一个基础任务和研究热点。YOLO将目标检测概括为一个回归问题,实现端到端的训练和检测,由于其良好的速度-精度平衡,近几年一直处于目标检测领域的领先地位,被成功地研究、改进和应用到众多不同领域。该文对YOLO系列算法及其重要改进、应用进行了详细调研。首先,系统地梳理了YOLO家族及重要改进,包含YOLOv1-v4, YOLOv5, Scaled-YOLOv4, YOLOR和最新的YOLOX。然后,对YOLO中重要的基础网络,损失函数进行了详细的分析和总结。其次,依据不同的改进思路或应用场景对YOLO算法进行了系统的分类归纳。例如,注意力机制、3D、航拍场景、边缘计算等。最后,总结了YOLO的特点,并结合最新的文献分析可能的改进思路和研究趋势。     

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Transformer改进YOLO v4的火灾检测方法

针对火灾检测算法检测多尺度火焰和烟雾精度低,且实时性差的问题,提出了一种基于Transformer改进YOLO v4的火灾检测方法.首先,结合MHSA(Multi-Head Self-Attention)改进了CSPDarknet53主干网络,建模全局依赖关系以充分利用上下文信息.此外,基于MHSA改进了PANet模块进行多尺度特征图融合,获取更多的细节特征.为验证改进方法的有效性,与YOLO v4、YOLO v3等算法进行比较.实验证明,不仅能够检测多尺度目标,且视频监控场景下达到实时性,具有准确率高、误报率低、检测实时性等优点,满足监控视频场景下的火灾检测任务.     

基于YOLO v4网络的房屋目标检测研究

随着社会科学技术的不断进步和人工智能算法的创新发展,深度学习在目标检测领域有着十分重要的应用.针对目前采用人工对偏僻地区房屋建筑进行检测存在的效率低下、安全隐患较大等不足,将无人机技术与深度学习相结合,提出了一种基于深度学习YOLO v4算法实现对房屋目标的检测研究.对无人机采集的电力通道巡检视频进行预处理,对图像进行...     

YOLO算法在目标姿态检测中的应用

本文提出了一种在较少规模数据集的情况下对目标的位置和姿态进行判断的方法。在训练之前对数据集增添随机的扰动因子来增加数据集的鲁棒性,从而降低过拟合的风险。在训练的过程中,通过对损失函数进行设置,使得模型具有判断物体方向的功能。实验结果表明,改造过后的YOLO算法对物体的姿态具有较好的识别能力。     

视频中行人快速检测计数方法研究

为了解决智能监控中对行人在实时帧中检测并计数的问题,提出一种快速高效的检测计数方法。采用高斯背景建模和边缘检测获取运动区域及其轮廓信息,形成检测区域;同时根据头部和肩部的组合形态构建行人检测模版,最后对检测区域进行模版匹配,统计行人数目。实验结果表明,该方法快速高效,有较高的正确率和较低的统计误差,同时对行人遮挡有一定的区分能力,对阴影也有较强的抗干扰能力。     

基于YOLO和帧间差分法的飞鸟检测算法

飞鸟是飞行物中典型的"低慢小"目标,具有低可观测性,在很多场景中它又是巨大的安全隐患.所以对飞鸟进行有效的检测和驱赶是机场、高压电站等高风险区域安保工作的重心.但飞鸟种类繁杂,其自身形态变化大且机动性极强的特点,让飞鸟检测的技术难度远高于传统的目标探测.文章对常见飞鸟目标检测技术的研究及发展进行了梳理,介绍了其中各项解...