基于改进的YOLO与GMM相结合的地铁行人检测算法

针对目前已有的行人检测算法存在的误检率高、实时性差等问题,首先基于Yolov3-tiny网络模型进行算法改进,提出一种Ped-tiny网络模型。通过采用深度可分离卷积层替代部分原始网络中的传统卷积层来适当加深特征提取网络,同时增加一尺度的预测层,保证各个尺度的行人目标被精准检测到;其次结合GMM(混合高斯模型)的运动目标检测算法,该算法能有效利用目标运动时所产生的运动信息对行人目标进行检测、定位;最后将两算法的目标框进行对比,并对目标框进行修正。实验结果表明,在应对不同地铁场景、不同行人姿态和不同遮挡等情况时,文中方法具有更低的误检率,更高的检测精度并能满足检测的实时性要求。     

多层卷积特征的真实场景下行人检测研究

针对真实场景下的行人检测方法存在漏检、误检率高,以及小尺寸目标检测精度低等问题,提出了一种基于改进SSD网络的行人检测模型（PDIS）。PDIS通过引出更底层的输出特征图改进了原始SSD网络模型,并采用卷积神经网络不同层输出的抽象特征对行人目标分别做检测,融合多层检测结果,提升了小目标行人的检测性能。此外,针对数据集样本多样性能有效地提升检测算法的泛化能力,本文采集了不同光照、姿态、遮挡等复杂场景下的行人图像,对背景比较复杂的INRIA行人数据集进行了扩充,在扩增的行人数据集上训练的PDIS模型,提高了在真实场景下的行人检测精度。实验表明:PDIS在INRIA测试集上测试结果达到93.8%的准确率,漏检率低至7.4%。     

基于深度神经网络的行人头部检测

行人检测已成为安防、智能视频监控、景区人流量统计所依赖的核心技术,最新目标检测方法包括快速的区域卷积神经网络Fast RCNN、单发多重检测器 SSD、部分形变模型DPM等,皆为对行人整体的检测。在大场景下,行人姿态各异,物体间遮挡频繁,只有通过对行人身体部分位置建模,抓住人的局部特征,才能实现准确的定位。利用Faster RCNN深度网络原型,针对行人头部建立检测模型,同时提取行人不同方向的头部特征,并加入空间金字塔池化层,保证检测速率,有效解决大场景下行人的部分遮挡问题,同时清晰地显示人群大致流动方向,相比普通的人头估计,更有利于人流量统计。     

基于计算机视觉的人流量双向统计

提出了一种采用视频监控系统对人行通道口进行双向人流量计数的方法。首先建立发色模型与头部形状模型,采用形态学运算提取人的头部目标,然后跟踪目标建立人头目标移动链,依据目标链位置信息判别行人的进出方向,最后设置感兴趣的检测区域,并对通过该检测区域的行人计数。实验结果表明,该方法能实时有效地统计通道口处双向人流量。     

基于Adaboost和码本模型的手扶电梯出入口视频监控方法

针对传统视频监控方法无法对密集前景目标进行准确分割的问题,提出一种基于Adaboost和码本模型的多目标视频监控方法。首先,通过训练得到Adaboost人头分类器,利用码本算法为垂直拍摄的手扶电梯出入口图像建立背景模型,提取前景图像对其进行人头检测和跟踪;之后,剔除行人目标得到物件目标,对物件目标进行跟踪;最后,根据行人和物件的运动特征进行监控。对12段出入口视频序列的实验结果表明,监控方法能够准确稳定地跟踪行人和物件,完成逆行检测、客流统计、行人拥堵和物件滞留等监控任务,处理速度达到36帧/秒,目标跟踪准确率达到94%以上,行为监控准确率达到95.8%,满足智能视频监控系统鲁棒性、实时性和准确性的要求。     

井下视频行人检测方法

针对现有基于深度学习的行人检测方法存在计算量较大、检测效率严重依赖硬件性能等问题,对基于SSD网络的行人检测方法进行改进,设计了一种基于DenseNet网络的轻量级卷积神经网络作为SSD网络的基础网络,以满足井下视频行人实时检测需求,并设计了基于ResNet网络的辅助网络,以增强特征表征能力,提高行人检测准确性。将基于改进SSD网络的井下视频行人检测方法部署在嵌入式平台Jetson TX2上进行实验,结果表明该方法对井下视频中行人的检测准确率为87.9%,针对井下行人低密度场景的检测准确率近100%,且运算速度达48帧/s,约为基于SSD网络的行人检测方法的4.4倍,满足井下行人实时检测需求。     

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。     

基于轨迹特征分析的行人异常行为识别

提出一个以行人为目标的视频监控系统,利用行人的移动轨迹特征来判断是否发生异常行为。利用背景相减法来检测是否有目标的存在,并利用目标的各种信息来追踪行人;建立目标行为模型,利用模型有效地识别目标的各种行为;利用轨迹对比的方式完成相关事件的轨迹检索,并供后续查询。实验表明,本算法可行、性能稳定。     

结合级联卷积目标检测和跟踪的快速人头检测

针对图像序列中遮挡和角度变化等因素易造成人头漏检的情况,提出一种结合级联卷积目标检测模型MTCNN和核相关滤波(KCF)跟踪模型的快速人头检测方法,即MT-KCF人头检测模型。利用批次归一化改进MTCNN网络,采用级联的方式检测人头;将检测到的人头位置信息输入到KCF跟踪模型中,对人头目标进行快速稳定的跟踪;为确保持续稳定地检测到人头,在跟踪多帧后,再次利用检测模型重新对人头进行检测。实验结果表明:MT-KCF模型在图像序列中具有较高的检测精度和较快的检测速度,平均准确率为94. 85%,在640×480大小的图像序列中平均速度为108帧/s。     

MB-LBP特征提取和粒子滤波相结合的运动目标检测与跟踪算法研究

在复杂环境下,由于行人密度大以及运动随机性,导致运动目标(行人)难以检测和跟踪,造成人员计数误差。提出一种MB-LBP(Multi-scale Block Local Binary Pattern)特征提取和粒子滤波相结合的运动目标检测与跟踪算法来解决此问题。该算法首先用AdaBoost提取MB-LBP特征训练生成分类器进行人头检测,并根据人头目标尺寸变化范围去除部分误检,然后用改进的粒子滤波算法预测跟踪多个运动目标,最后对跟踪的运动目标进行计数。实验结果表明,提出的算法能够对复杂环境下多个运动目标进行有效检测及跟踪,准确、快速地对视频帧中的人员进行计数。     

基于YOLO轻量化的多模态行人检测算法

针对低光照环境下行人检测精度低和模型参数量大的问题,基于YOLO框架,提出一种轻量化的多模态行人检测算法EF-DEM-YOLO。采用轻量的ES-MobileNet作为主干特征提取网络,并在该网络中引入ECA和SE-ECA注意力机制模块,增强重要的通道特征,提高小目标行人的检测精度。在颈部网络中设计了基于深度可分离卷积的DBL模块,进一步缩减模型的参数量。另外,为了提高低光照条件下行人的检测精度,利用可见光模态和红外模态在不同光照条件下特征互补的特点,提出了基于图像熵的可见光与红外模态加权融合方法,并设计了融合模块EWF。相比与基准方法,该算法对于不同光照条件下的行人目标,模型的mAP提高55.5%,MR降低85.9%,模型的推理速度达到33.4帧/秒,并且均优于其他经典的目标检测算法,为边缘计算和低光照场景下的行人目标的实时检测提供了可能。     

基于全局注意力的室内人数统计模型

随着人工智能技术的爆炸式发展,机器学习、深度学习等技术在人脸识别、行人检测和视频跟踪等各个领域得到了广泛的应用,其中利用目标检测进行室内人数统计一直以来是一个热门的研究。室内监控画面存在人群相互遮挡,且目标特征模糊等问题,往往导致检测准确率低,误检率和漏检率高等情况的出现。为了解决此问题,提出了一种基于全局注意力的室内人数统计模型,引入注意力机制,对目标检测算法YOLOv3进行改进,通过提取更多小人头或模糊人头的特征来增强检测能力。实验结果表明,改进后的网络模型具有更高的召回率和平均精度。     

适合车载边缘计算的拥挤行人检测算法

针对目前车载计算单元的计算资源和计算能力有限,不能运行网络层次较深的目标检测算法,设计了一种轻量化的网络模型用于对拥挤行人场景的检测,将Darknet53骨干网络替换为GhostNet,通过引入线性计算获得与普通卷积相似的特征图来减少计算资源消耗;引入空间金字塔池化模块实现多尺度融合,加强特征提取;提出使用更加高效的搜索机制改进卷积块注意力机制模块,联合分类网络AlexNet对自适应搜索广度k值进行选取,进一步提高网络性能;采用Grad-CAM算法将网络模型实现热力图可视化来对注意力机制进行分析;引入CIOU损失函数实现真实框和预测值在中心点上的拟合,以此来加速模型收敛和实现更加精确的定位。研究结果表明：改进后的网络在WiderPerson行人检测数据集上行人类别查准率达到75.35%,相比于改进前的模型在行人查准率和平均查准率上分别提高了5.76个百分点和3.28个百分点。在Visdrone数据集上,改进后的网络平均查准率达到35.6%,在基本接近于YOLOv3的基础上,每秒检测图片的数量可以达到60张,相较于传统的单阶段检测算法,检测速率最高提升了52.1%,能满足移动设备以及车载...     

基于改进YOLOv5的多任务安全人头检测算法

针对目前监控摄像头预置检测算法存在人脸隐私泄露风险的问题,提出一种基于YOLOv5结构的多任务安全人头检测算法Privacyface-YOLO及轻量级检测版本Privacyface-YOLO （Light）。Privacyface-YOLO的主干网络采用带残差结构的跨阶段局部网络ResCSP,通过残差结构降低特征学习的复杂度,提升网络对人头特征的提取能力。轻量级版本Privacyface-YOLO （Light）使用深度可分离卷积替换ResCSP模块,以减少计算量并提升网络的运行速度。模型的颈部模块引入特征金字塔与路径聚合网络,实现跨层多尺度信息交流,提升模型在复杂人头与小目标场景下的鲁棒性。对提取出的特征进行三分支输出,其中目标定位分支用于定位人头坐标,人头分割分支生成覆盖人头的掩膜以保证人脸隐私,人数回归分支获得图像中的人头总数,通过多任务三分支结构保护人脸隐私同时满足更加复杂的场景需求。实验结果表明,Privacyface-YOLO算法能够有效完成实时人头检测任务并保护人脸隐私,相较目前主流人头检测算法,在人头数据集HollywoodHeads和Brainwash上,该算法的平均查准率AP50指标分别提升11.8%和5.8%,平均查准率AP70指标分别提升20.2%和35.2%。     

无人机平台下的行人与车辆目标实时检测

在无人机图像中快速准确地检测行人和车辆是一项有意义但又极具挑战的任务,其广泛应用于军事侦察、交通管制以及偏远地区救援等任务中。然而,由于无人机属于小型移动设备,其内存和计算能力非常有限,使得如何保证其检测实时性一直是难题。针对SSD算法模型过大、运行内存占用量过高、很难在无人机设备上运行的问题,精心设计了轻量级的基准网络,通过削减原始网络的通道数目以及卷积数目来降低网络的参数量;针对无人机场景下目标小、场景复杂等问题,提出轻量级感受野模块来增强网络特征表示能力,并结合上下文信息来进一步提高小型目标的检测精度。实验结果表明,提出的方法在基于无人机的行人与车辆目标检测任务上有较高的准确性和实时性。     

基于SwinT-YOLOX模型的自动扶梯行人安全检测算法

自动扶梯被广泛应用在公共场合,乘客摔倒事故如果不能被及时发现并处理,会造成严重的人身伤害,因此实现自动扶梯智能化监控管理势在必行。受自动扶梯运行环境复杂、行人多以及局部遮挡情况的影响,传统的人体姿态特征摔倒检测模型效果不佳且检测速度减慢。融合Swin Transformer和YOLOX目标检测算法的优秀策略,提出一种基于SwinT-YOLOX网络模型的自动扶梯行人摔倒检测算法。采用Swin Transformer模型作为骨干网络,颈部网络使用添加注意力机制的YOLOX模型,进一步提升特征图的多样性和表达能力。此外,利用漏斗修正线性单元视觉激活函数构建CBF模块,改进颈部网络和Head网络结构,从而获得更优的特征检测性能。实验结果表明,针对自建扶梯行人摔倒数据库和网络采集实际扶梯行人摔倒事故,与AlphaPose、OpenPose、YOLOv5等算法相比,该算法检测性能明显提高,行人摔倒平均检测精度可以达到95.92%,检测帧率为24.08帧/s,能够快速、精准地检测到乘客摔倒事故发生,监控管理平台立刻采取安全急停措施以保证乘客安全。     

油田安防领域基于改进的深度残差网络行人检测模型

油田安防中行人目标检测是是当今前沿的一个热门研究课题,针对野外场景采集的图像视频分辨率低,背景复杂等问题,本文在单次多目标检测器(Single Shot MultiBox Detector,SSD)模型的基础上,提出了一种改进的行人检测算法,该算法首先利用聚合通道特征模型对图像或者视频序列进行进行预处理,获得疑似目标区域,大大降低单帧图像检测的时间;然后对SSD的基本网络VGG-16替换为Resnet-50,通过增加恒等映射解决网络层数加深但检测精度下降的问题;最后采用强大而灵活的双参数损失函数来优化训练深度网络,提高网路模型的泛化能力。定性定量实验结果表明本文所提检测算法的性能超过现有的检测算法,在保证行人检测准确率的同时提高检测效率。S     

面向拥挤行人检测的CA-YOLOv5

针对YOLOv5在拥挤行人检测任务中漏检率高、特征融合不充分等问题,提出了CA-YOLOv5行人检测算法。针对原主干网络对细粒度特征融合不充分的问题,采用Res2Block重建YOLOv5的主干网络,以提升网络的细粒度特征融合能力,提高检测精度。针对数据集目标尺度变化大的问题,引入coordinate attention（CA）模块增强感受野,增强模型对目标的精确定位能力。针对FPN结构在特征融合时导致多尺度特征表达能力下降的问题,提出特征增强模块,以增强多尺度特征的表达能力。通过结构重参数化的方法减少模型的计算量与参数量,加快目标检测速度。针对行人检测任务中普遍存在的拥挤行人问题,提出EViT模块,增强模型关注局部信息的能力,提高检测精度。实验证明,在拥挤行人检测任务中,CA-YOLOv5的检测精度达到84.86%,相较于原算法提高了3.75%,检测速度可以达到51?FPS,具有较好的检测精度与实时性。因此,CA-YOLOv5可以更好地应用于实时行人检测任务中。     

无人车驾驶场景下的多目标车辆与行人跟踪算法

考虑到现有的基于检测的多目标跟踪算法多会出现因目标漏检或数据关联算法冗余而造成的目标ID频繁切换、跟踪轨迹断开等问题,提出了无人车驾驶场景下的多目标车辆与行人跟踪算法.首先,选取CenterNet网络作为目标检测器,并用嵌入了1×1卷积和SE-Net的Res2Net来替代网络原有的残差单元,以提升网络对空间信息和通道信息的提取能力,提高目标检测器性能.接着,用孪生网络来提取目标所在区域的特征,进行关联概率度量,再用匈牙利算法对相邻帧目标进行关联.最后,用区域推荐网络设计的辅助跟踪器对漏检或消失又出现的目标进行持续跟踪,并将可靠的跟踪结果合并到轨迹中.实验结果表明,与已有的方法对比,所提方法在KITTI跟踪基准数据集上对于车辆与行人的跟踪具有竞争力.     

联合语义的深度学习行人检测

视频行人检测是计算机视觉的一个重要应用,本文利用深度学习检测近似垂直视角的行人,但若单纯检测行人,易受与行人语义相关的行人附属属性（如背包和帽子）的干扰,容易造成误检.本文提出一种基于更快区域卷积神经网络的联合语义行人检测方法：首先调整网络模型,增强对小目标的辨别力,使其可以有效的检测行人和行人的语义属性;然后利用空间关系建立行人及其语义属性的关联,合并行人与其语义信息,并对候选行人目标进行自适应得分调整,结合行人语义属性判断候选行人目标.大量的实验表明,本文的方法精度高,速度快,具有实用价值,且检出的行人与其语义属性还可用于后续的人数统计和行人行为分析.