基于 YOLOv5 的行人口罩佩戴实时检测

摘 要：针对新冠疫情期间人工检查行人口罩佩戴情况效率低下的问题，提出了基于 YOLOv5 网络来实现对行 人口罩佩戴情况的实时检测算法。收集了 2000 张佩戴口罩及未佩戴口罩行人图片作为数据集，先基于 COCO 数 据集的权重数据进行预训练，提高训练的速度和检测；再将数据集导入 YOLOv5 模型中进行迭代训练及测试， 将所获得的最优权重文件对测试集进行验证，并把训练结果可视化展示。实验结果表明，该算法在行人密集的 情况下实时检测速度也能达到 62.5FPS 的高准确率，满足了行人口罩佩戴实时检测的要求。     

基于自适应增殖数据增强与全局特征融合的小目标行人检测

针对当前规模的小目标行人数据集较少，传统行人检测模型对小目标检测效果较差的问题，提出一种基于消隐点性质，提出自适应增殖数据增强和全局上下文特征融合的小目标行人检测方法.利用射影几何与消隐点的性质，对图像中的多个目标进行复制；通过仿射变换投影到新的位置，生成多个大小与背景合理的小目标样本以完成数据增强.利用跨阶段局部网络与轻量化操作改进沙漏结构，融合坐标注意力机制强化骨干网络.设计全局特征融合颈部网络（GFF-neck），以融合全局特征.实验表明，在经过数据增强后的WiderPerson数据集上，改进算法对行人类别的检测AP值达到了79.6%，在VOC数据集上mAP值达到了80.2%.测试结果表明，当搭建实验测试系统进行实景测试时，所提算法有效提升了小目标行人检测识别精度，并满足实时性要求.     

基于计算机视觉的行人检测方法研究进展

基于计算机视觉的行人检测方法可有效提高行人检测效率,已广泛应用于智慧城市、辅助驾驶等场景。文章对行人检测涉及的图像分割、特征提取、机器学习和分类与定位等方法进行了归纳,综述了各种方法的主要思想、适用性和局限性;同时介绍了行人检测算法的评价指标,对算法性能进行了分析;最后总结了行人检测方法的研究进展,并对未来的发展方向进行了展望。计算机视觉作为目标检测中的一项重要技术,在行人检测领域仍有待发展,算法结构改进、分类器优化、复杂场景下的行人检测等是未来的研究重点。     

改进的YOLOv3红外视频图像行人检测算法

针对YOLOv3检测红外视频图像行人时存在准确率低、漏检率高的问题,提出一种改进的YOLOv3红外视频图像行人检测算法。根据行人在红外图像中呈现宽高比相对固定的特点,利用k-means聚类方法选取目标候选框个数和宽高比维度,调整网络参数并提高输入图像分辨率,最后进行多尺度训练得到最优检测模型,从而检测红外视频图像序列中的行人目标,并通过候选框标注行人位置。在CVC-09红外行人数据集上进行对比实验,结果表明,改进的YOLOv3算法在红外行人检测中的准确率高达90.63%,明显优于Faster-rcnn和YOLOv3算法,且改进后的网络能够同时检测到更多目标,降低了漏检率。     

结合双重注意力机制的遮挡感知行人检测

针对行人检测算法在交通场景下应用时的遮挡问题,提出一种结合双重注意力机制的遮挡感知行人检测算法。以RetinaNet作为基础框架,在回归和分类支路分别添加空间注意力和通道注意力子网络,增强网络对于行人可见区域的关注;同时引入行人可见边界框信息对传统的回归损失函数进行优化,使其能够随着遮挡程度自适应地调节预测框贡献的权重。在Caltech和CityPerson数据集上的实验结果表明:相较于RetinaNet等8种先进算法,该方法具有较好的鲁棒性和检测精度,尤其是严重遮挡情况下,该算法的对数平均漏检率仅为45.69%,小于其他算法12%以上;此外,该算法能够实现准实时检测,在Caltech和CityPerson上的检测速度分别为11.8 帧/s和10.0 帧/s。所提出的双重注意力机制和遮挡感知回归损失函数的检测方法具有可行性和有效性,对于遮挡行人的处理有显著优势。     

基于助老机器人的行人检测与跟踪算法研究

行人检测与跟踪是助老机器人的基本功能之一。针对行人检测中目标需人工标定图像初始帧、目标检测准确性差、行人丢失较难重新跟踪的问题,提出一种基于行人检测和核相关滤波器(KCF)的跟踪算法。通过Kinect2摄像头获取环境视觉信息,采用方向梯度直方图(HOG)提取行人特征,使用支持向量机(SVM)的方法训练模型实现自动检测,应用KCF跟踪算法跟踪行人,并结合深度数据,计算其世界坐标,驱动机器人实现行人稳定跟踪。在Ubuntu16.04系统和ROS平台下搭建软件系统,并在实验Turtlebot移动平台进行实验测试。结果表明,该算法可自动检测行人并在复杂环境中对行人进行稳定跟踪,有效提高了助老机器人的移动、感知性能。     

基于深度学习的行人多目标跟踪方法

综合了近年来基于检测跟踪的主流行人多目标跟踪方法,介绍了基于检测的行人多目标跟踪方法概念,从目标检测、特征提取和数据关联与跟踪三个阶段对行人多目标跟踪方法进行了概述,比较并评价了这些方法在MOTChallenge系列数据集上的性能,阐述了多目标跟踪的未来研究方向.     

井下行人检测的改进Cascade R-CNN算法

针对井下照明情况复杂、光线不均匀、背景复杂、行人特征不明显导致基于计算机图形识别的井下行人检测效果不佳这一问题,提出一种基于改进Cascade R-CNN的井下行人检测方法,以Cascade R-CNN为基础,引入Soft-NMS替换传统NMS,充分利用Cascade R-CNN的多阶段检测模型提高检测效果。实验表明:基于改进Cascade R-CNN的井下行人检测方法可有效针对井下特殊复杂情况,在井下行人数据集上获得了91.4%的检测准确率,并使用COCO检测评价矩阵评估模型对改进Cascade R-CNN算法进行了验证,相较于传统Cascade R-CNN算法平均精准度(AP)提升约2%。     

一种改进RetinaNet的室内人员检测算法

由于现有的人员检测算法研究对象主要是室外直立行人,而室内人员姿态多变,且图像拍摄角度与室外行人差别较大,所以使用以往的检测方法得到的效果并不理想。基于此,笔者针对室内人员检测数据集提出了一种高精度检测模型。该模型以RetinaNet网络为基础,在残差网络中引入通道注意力模块,间接实现卷积层的随机失活,增强模型泛化能力;通过维度聚类算法找出锚点的最佳尺寸,并据此找到合适的特征图进行预测。实验表明,这种算法在室内人员检测数据集上检测精度可达99.84%,且在速度和内存占用方面也优于其他算法。     

基于改进YOLOv2网络的遗留物检测算法

为了提高在复杂环境下检测遗留物体的准确度和实时性,提出了一种基于改进YOLOv2网络的遗留物检测算法。该算法在YOLOv2网络结构基础上结合残差网络,将浅层和深层特征多次融合,在基本不增加原有模型计算量和时间的情况下,提高了监控画面中检测小体积遗留物体的性能;同时以YOLOv2目标检测为基础,排除驻留行人和动物等非物体目标的干扰,并对目标筛选得到的可疑目标跟踪计时,停留时间超过阈值的目标标记为遗留物。以PETS2006和i-LIDS作为数据集进行实验,结果表明:该算法在提高遗留物检测准确度的同时缩短了处理时间,对人流密集的复杂环境抗干扰能力强。     

基于自适应随动机构的机器人目标跟随

针对机器人使用固定传感器容易丢失跟随目标的问题,提出基于自适应随动机构的行人跟随方法.基于任务需求设计随动式感知机构视野评价指标;在传统规划策略的基础上,提出结合底盘方向的改进策略和基于视野深度加权的自适应角度规划策略,改进随动机构的运动目标跟随效果. 为了提高随动RGB-D传感器的行人位置跟踪效果,使用YOLOv3算法进行目标检测,结合三维坐标解算与位置度量匹配,实现多目标位置的实时跟踪. 基于Gazebo仿真环境与RoboMaster机器人,实现机器人行人跟随功能. 所提规划策略能够取得综合最优的评分指标,并实现机器人对运动行人目标稳定的轨迹跟随. 实验结果证明了所提目标跟随方法的有效性.     

基于深度学习的电网监控视频中工作人员检测与识别

针对电网监控视频场景多样,电网工作人员姿态变化严重影响工作人员识别精度的问题,提出了一种基于深度学习的电网监控视频中工作人员检测与识别算法.该算法使用Res Net50网络提取行人特征,Faster-Rcnn检测方法快速、精确地检测出电网中的工作人员,识别网络对检测出的工作人员进行身份确认,并使用各种组合损失来训练检测与识别网络.在电网监控视频数据集上的测试结果表明,所提出的方法具有更高的检测和识别精度,且对遮挡及低光照图片具有较好的鲁棒性.     

特征图聚集多尺度行人检测高效算法

针对使用人工设计特征训练的行人检测算法准确率和效率较低的问题,提出一种采用卷积神经网络特征图聚集多尺度行人检测高效算法. 设计一种特征图聚集网络,将高层次特征图与低层次特征图进行聚集,构造出有较好空间分辨和语义能力的特征图;构造特征延伸网络,提供用于多尺度行人检测的特征图;重新设计目标候选区域,构造多尺度行人检测网络,提升定位准确性,并将特征图聚集网络、特征延伸网络和多尺度行人检测网络组合进行端到端训练. 实验测试结果表明,该算法可以有效提高行人检测与定位准确性,并可在普通硬件设备条件下提供实时检测.     

基于分类一致性的迁移学习及其在行人检测中的应用

利用迁移学习解决在特定场景下尤其是在摄像头静止的监控场景下的行人检测问题,提出基于分类一致性的学习模型。利用Boosting技术从辅助训练集中选择具有正迁移能力的样本,对样本迁移能力给出了基于辅助分类器分类一致性的熵度量方法。对比实验表明,该学习模型能够有效地提高检测率,尤其是在标记样本较少的情况下仍得到了较好的检测效果。     

基于线性SVM的车辆前方行人检测方法

采用基于线性SVM方法检测复杂交通背景下车辆前方行人.该方法根据行人非刚性的特点,利用三线性插值法提取图像的梯度方向直方图特征,采用线性支持向量机对视频中的图像进行多尺度融合检测,以适应复杂交通背景的行人检测需求,有效提高检测准确性.实验表明,该算法能够对混合交通视频中的不同尺度和姿态的行人进行有效识别.     

人行天桥与人行地道的比选设置

通过对设置人行天桥与人行地道不同情况下的使用者心理、气候条件、社会效益、经济效益、景观条件、施工条件等方面进行比较分析,提出采用层次分析法(AHP)对人行天桥和人行地道进行比选设置,以哈尔滨市某路段为例进行计算说明,建立层次分析结构及各要素判断矩阵,计算相对权重,然后进行比选设置,计算结果通过了一致性检验.     

基于混合高斯模型的行人检测方法

针对道路交通中行人的特点,从参数更新、背景估计和前景分割三个方面改进传统的混合高斯模型,提出一种有效的行人检测万法.首先,利用基于图像分割的参数更新模型,减少将静止前景判定为背景的可能性;其次,采用前景融合时间调整机制,控制前景融入背景的时间;最后,引入均值权值的概念,优化前景分割的条件.试验结果表明,改进的算法优于传...     

一种调频连续波地面侦察雷达目标识别算法

针对线性调频连续波（LFMCw）便携式地面侦察雷达对地面运动目标的识别问题,提出了一种简单有效的行人与车辆目标识别算法．该算法利用行人与车辆目标的微多普勒特征不同,将其多普勒谱进行功率谱转换后,通过功率谱信息来完成对行人与车辆目标的分类识别．仿真实验验证了该算法的正确性．与基于时频分析类方法相比,该算法计算量小,且在动目标检测（MTD）之后进行数据处理时,不需要再对信号进行复杂的时频变换分析,因而具有较大的工程应用价值．     

考虑视域影响的疏散行为建模及双向行人流仿真

通过实验获取行人视域半径数据,根据不同视域半径下的碰撞检测结果,建立包括转向、跟随、减速、停止和正常移动等行人微观行为的决策算法. 针对空间连续性导致的人员重叠的问题,设计消除行人位置重叠的算法. 设计通道双向行人流仿真实验,仿真过程显示,模型能较好地实现自动渠化现象,并消除行人位置重叠的问题. 在行人流密度较高的情况下,对比实际实验与仿真实验的自动渠化过程,发现两者形成的行人通道行数基本一致,疏散时长接近. 在行人流密度较低的情况下,仿真实验得到的行人通道行数与计算结果一致. 仿真实验的行人流量?密度数据拟合曲线与调研数据拟合曲线吻合度较高.