基于改进Mask R-CNN的交通监控视频车辆检测算法

针对交通监控视频车辆检测常易受到遮挡导致目标车辆出现漏检或误检的问题,提出一种基于改进Mask R-CNN的交通监控视频车辆检测算法. 采用基于bottleneck结构的主干网络,提高主干网络提取特征的能力; 通过基于预测mask分数的掩码分支,融合目标的类别分数和掩码质量分数,提高车辆的掩码质量; 通过基于Arcface Loss的目标检测损失函数设计,提高不同特征之间的可判别性,提高目标的检测精度. 实验结果表明,改进的Mask R-CNN模型可更好地检测到被遮挡的车辆,目标车辆的检测精度超过Faster R-CNN、YOLO v3和Mask R-CNN模型,可解决目标车辆漏检或误检问题.     

面向无人机航拍图像小目标检测方法

针对航拍图像目标检测中小目标特征模糊问题,提出一种改进YOLO＿v5x的目标检测算法。通过在YOLO＿v5x的主干和颈部网络中添加空间到深度(space-to-depth,SPD)模块来减少细粒度信息丢失;在检测输出端添加1个小目标预测头,提高算法学习低分辨率特征的效率;引入协调注意力(coordinate attention,CA)机制,将横向和纵向的位置信息编码到通道注意中,增强网络对不同维度特征的提取能力;在完整交并比(complete-intersection over union,CIOU)损失函数的基础上引入Alpha交并比(α-IOU)损失函数,获得更准确的边界框回归,实现图像中目标更精确的定位。通过在Visdrone数据集上对改进YOLO＿v5x算法进行训练和对比实验,结果表明：相比于原YOLO＿v5x,改进目标检测算法的平均检测精度提升了7.8%,小目标检测的平均精度达23.9%,能够有效识别无人机航拍图中的小目标;相比于RetinaNet、YOLOX-S、Grid-RCNN等目标检测算法,改进目标检测算法的小目标检测平均精度最高,在当前主流检测小目标算法中达到先进水...     

基于注意力和自适应权重的车辆重识别算法

为了解决车辆重识别算法受类内差异性与类间相似性的干扰无法充分表示车辆特征的问题，提出基于注意力机制和自适应损失权重的车辆重识别算法.该算法采用改进的主干网络ResNet50＿ibn，避免了颜色、光照、视角等客观因素的干扰，提取关于目标的不变性特征.搭建基于注意力机制的组表示网络，融合特征间的相互依赖关系，从不同分组的特征表示中提取更加丰富的特征信息.设计自适应损失权重计算损失函数，使用多损失函数策略对网络模型进行训练.该算法在公开数据集VeRi776与VehicleID上的首位击中率和平均精度均值分别达到了96.0%、79.8%和81.5%、80.9%.实验结果表明，利用该算法提取的特征更具判别性，综合性能优于现有的其他车辆重识别算法.     

基于计算机视觉的夜间交通流量统计算法研究

针对夜晚环境中传统交通流量统计出现的实时性、鲁棒性及准确性不高的问题,提出了一种基于改进的YOLO v5s交通流量统计算法.采用残差网络的连接结构对YOLO v5s算法中的Fo-cUs层进行改进.将改进后的YOLO v5s算法与DeepSORT跟踪算法、统计模块搭建高效的交通流量统计框架.采集实际路况的夜间场景视频来对...     

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。     

基于能量模型的行人与车辆再识别方法

为了解决行人再识别以及车辆再识别算法中网络训练过程对计算资源的消耗过大且准确率较低的问题,提出基于能量模型的目标分类和度量学习方法. 利用样本特征空间中同类样本的低能量分布特性, 设计对比能量损失函数,形式上表达为训练样本在真实目标类别上的损失函数响应和非目标类别上的响应之差,可以更准确地增大目标响应,抑制非目标响应, 提高了分类准确率,使得同类样本特征更聚集、异类样本特征更远离. 在多个行人再识别和车辆再识别数据集上的测试结果显示, 相对于Soft-max和Triplet混合损失函数, 利用能量模型可以提升网络训练效率,提高目标再识别准确率.     

基于改进YOLO v3模型的多类交通标识检测

为了提高城市真实交通场景中的交通标志、交通信号灯及停止线检测精度,提出一种基于YOLO v3的多类交通标识检测模型——T-YOLO.该模型在YOLO v3目标检测模型的基础上,采用了四种尺度特征进行检测,设计了更贴合待测交通标识的先验框,提升了模型对多类交通标识等小目标检测性能.采集13 000张城市交通场景图像并进行标注,制作成多类交通标志数据集.实验结果表明,该模型在TT100K交通标志数据集、在LaRA交通信号灯数据集均取得较好结果.同时,在自制SUTDB数据集上交通标志、交通信号灯、停止线检测精度分别为0.90、0.99、0.80.文中提出的T-YOLO模型检测实现了多类交通标识,并且检测精度高,具有一定工程实用价值.     

基于对抗学习与深度估计的车辆检测系统

随着目标检测技术的不断发展，用于道路场景的车辆检测系统在自动驾驶领域得到了广泛应用。与传统的目标检测器相比，车辆检测的目标比较单一，但同时需要解决两大问题，一是在复杂的道路场景中，提供给检测器的车辆特征通常是不完整的，会出现遮挡和形变等问题；二是在自动驾驶过程中，需要对不同车辆的距离做出估计才能保证智能车及时地做出规避动作，即对图像的目标区域进行深度估计。针对这两个问题，提出了基于对抗样本生成与深度图重建的车辆检测方法。为预训练目标检测网络Faster⁃RCNN设计一个对抗网络，用于在训练过程中产生大量的训练样本，并利用这些样本对车辆检测器进行训练；根据检测结果，通过重建3D场景与相机位姿恢复深度图，对车辆的距离做出估计，以通知系统及时做出规避动作。实验结果表明，在不增加数据训练样本的情况下，该检测系统可以较好地提升车辆检测效果及估计目标车辆的距离。     

基于改进YOLOv5s的桥梁螺栓缺陷识别方法

针对现有算法在检测桥梁螺栓缺陷时因螺栓背景复杂和尺寸较小而导致的特征提取不充分、目标定位不精确问题,提出了一种基于改进YOLOv5s的桥梁螺栓缺陷识别方法。该方法在骨干网络中引入注意力机制以提升模型对螺栓特征的提取能力并加深对螺栓全局特征的关注度;优化空间金字塔池化结构以减少螺栓特征信息流失;采用MPDIoU作为边界框回归损失函数,提高螺栓边界框的回归精度;将YOLO检测头解耦以消除目标检测中分类任务和回归任务共享检测头对边界框位置回归的负面影响。在螺栓锈蚀、螺栓松动、螺栓脱落和螺母脱落4类典型缺陷螺栓以及正常螺栓的3810张自制螺栓图像数据集上进行训练和测试,实验结果表明：本文算法对螺栓缺陷的检测精度达到90.8%,相较于YOLOv5s提升了3%,均值平均精度达到92.6%,相较于YOLOv5s提升了4.3%,可以应用于桥梁螺栓的缺陷智能识别。     

基于大边距度量学习的车辆再识别方法

在目前的车辆再识别方法中,车辆在拍摄过程中的多视角会导致特征嵌入空间中决策边界附近样本较难区分. 针对该问题,提出通过最大化边界距离提升车辆再识别准确率. 在特征表示阶段,设计了大边界损失度量函数,可以有效处理相似车辆的混淆问题;采用入侵叛逃采样策略,可以在训练样本中找出更容易混淆的难样本以更有针对性地训练网络,并加快网络的训练速度. 在车辆检索阶段,提出基于核函数的重排序方法,可以提高车辆再识别的准确率. 在3个公共数据集上的实验结果显示,车辆再识别的准确率得到提高,同时训练和推理效率得到改善. 理论分析和实验表明,大边距度量学习通过挖掘决策边界的难样本,可以有效解决车辆再识别中的多视角问题.     

Phased smoke detection algorithm using dual network fusion

Existing video smoke detection methods have a low detection accuracy in complex scenes and cannot detect smoke areas in video frames accurately. In this paper, a phased smoke detection algorithm that combines the smoke movement process and the target detection algorithm is proposed. First, an improved ViBe algorithm based on smoke color features is used to extract the continuously moving smoke in video. Then, the YOLO v3 model is used as the target detection network. The channel attention mechanism is added to the residual structure of its backbone network. Focal-loss and GIoU are utilized to improve the loss function. According to the test of the smoke image data set, the detection time of the improved network on a single picture is 38.4ms and the mAP reaches 92.13%, which is 2.19% higher than that by the original model. While extracting smoke motion, the same frame is sent to the improved YOLO v3 for smoke detection. Finally, comprehensive discrimination is made based on the smoke detection results in stages. Public smoke video test results show that the algorithm has an average detection rate of 98.88%, which proves that the algorithm has a strong adaptability, a high detection efficiency in complex scenes and a high practical application value.     

基于改进YOLOv3的复杂场景车辆分类与跟踪

针对天气条件和车辆间相互遮挡对车辆分类与跟踪准确性和稳定性的影响,提出一种基于改进YOLOv3与匹配跟踪的混合模型。改进的YOLOv3网络参照密集连接卷积网络的设计思想,将网络中的残差层替换为密集卷积块并改变网络的设计结构,利用Softmax分类器将密集卷积块与卷积层中融合的特征进行分类。根据单帧图像的检测结果,设计目标匹配函数解决视频序列中车辆的跟踪问题。在KITTI数据集的测试中,改进算法的平均准确率为93.01%,帧率达到48.98帧/s,在自建的数据集中平均识别率为95.79%。试验结果表明,本研究方法在复杂场景中能够有效的区分车辆种类且准确性更高,车辆跟踪的算法具有较高准确性和鲁棒性。     

基于校正神经网络的视频追踪算法

针对现有基于深度学习的视频追踪算法关注深层特征而忽略浅层特征以及追踪网络没有对每帧追踪结果进行检测的问题,提出基于校正神经网络的视频追踪算法。该算法包含追踪网络和校正网络。在追踪网络中,考虑到深层特征和浅层边缘特征的融合,设计一个多输入的残差网络,学习目标和对应的高斯响应图之间的关系,从而获得目标对象的位置信息。在校正网络中,设计浅层链式判别网络,将两个网络的追踪结果进行比较,根据比较结果对追踪网络进行在线更新。本算法既考虑了深层特征,又避免了细节信息的丢失;同时,对追踪结果进行评判,防止网络更新中延续错误信息。对比试验说明本研究所提的追踪算法比现有的一些追踪方法取得更好的追踪结果。     

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%。     

效费比视角下相控阵雷达多波束跟踪调度策略

由于相控阵雷达跟踪工作模式占用其大部分资源,为了解决提高目标跟踪精度和容量相矛盾的问题,提出了一种兼顾跟踪精度和雷达时间资源的波束波形调度策略。首先,给出了目标跟踪模型; 进而定义了波束调度效费比和调度函数,在检测概率和跟踪精度的约束下,预测了当前所有目标的调度函数值,依据调度函数值选择当前时刻待调度的目标序列;随后,在有限资源和多波束方式跟踪的约束下,选择目标进行跟踪;最后,与常规波束波形调度和单波束调度两种方法进行比较。仿真验证了上述方法中调度函数和多波束跟踪方式的有效性和优越性。在跟踪目标数量不变的情况下,该调度策略有效地提高了目标平均跟踪精度和平均采样间隔时间,降低了失跟率。     

基于梯度提升决策树的汇合交互作用研究

为了研究高速公路目标车道领跟车在交织区与汇合车辆的交互作用,基于梯度提升决策树(GBDT)建立交织区汇合交互作用模型. 引入目标车道领跟车与前车、后车和汇合车辆的速度差、时间间隙、冲突评价指标及横向位置,分析汇合车辆与领跟车之间的交互行为. 利用美国NGSIM数据集中目标车道领跟车与汇合车辆的轨迹数据对模型进行训练和测试,比较不同损失函数对模型的拟合效果,对汇合加速度进行偏效应分析. 研究结果表明,基于平方损失函数(LS)的GBDT模型精度高于基于最小绝对偏差(LAD)和胡贝尔 (Huber-M) 损失函数的模型. 在汇合行为的各研究对象中,汇合车辆的预测精度高于领跟车,汇合车辆的横向位置在汇合交互作用中的影响程度最高. GBDT模型用于汇合交互行为不仅可以准确预测目标车道领跟车与汇合车辆之间的交互作用,也能够获取影响变量与加速度之间隐藏的非线性关系.     

基于IMM-UKF的协同式车辆运动状态跟踪算法

为了提高车辆运动状态的跟踪精度,在路侧传感网信息融合的基础上,提出了一种改进的车辆运动状态估计方法.采用匀速直线运动模型和匀速转向运动模型建立了多模型的汽车行驶状态方程,利用马尔科夫链进行模型切换.同时引入无迹卡尔曼滤波算法,根据前一时刻的运动状态和当前观测值,对车辆行驶的运动状态参数进行估计.结果表明,改进的多模型数据融合算法与单模型相比,轨迹和速度跟踪误差分别降低了86.8%和78.6%,有效地提高了车辆运动状态跟踪的精度.     

基于各向异性高斯分布的视觉跟踪算法

为了提高使用传统特征的有效卷积操作算法（ECOhc）的跟踪性能,提出基于各向异性高斯分布的视觉跟踪算法. 该方法根据不同目标的形状比构造水平和垂直方向上带宽不同的各向异性高斯函数,利用该函数训练跟踪器预测目标位置,提高算法的跟踪精度;提取颜色直方图特征跟踪预测新的目标位置,并在决策层加权融合2个预测位置,进一步提高跟踪精度. 在标准数据集OTB-100、VOT2016中测试算法,本研究算法在数据集OTB-100上的平均距离精度为89.6%,平均重叠率为83.7%,比ECOhc算法分别提高4.67%、6.62%;本研究算法在数据集VOT2016上的平均期望重叠率为33.3%,比ECOhc算法提高3.42%. 所提算法能有效提高目标跟踪的精度,在遇到遮挡、光线变化、变形等干扰时仍能稳定跟踪目标.     

结合双注意力与特征融合的孪生网络目标跟踪

基于孪生网络视觉跟踪的进化和深层网络目标跟踪算法在目标被遮挡和外观形变时的跟踪成功率不高,鲁棒性不强,对此,提出了一种结合双注意力与特征融合的孪生网络目标跟踪算法。首先,采用通道和空间注意力模块增强目标信息,抑制图像中的干扰信息,提高模型的准确度;然后,对注意力层输出的浅层和深层特征信息进行多层特征融合,得到表现力更好的目标特征,提高跟踪成功率;最后,引入在线模板更新机制,减少了跟踪漂移,提高了跟踪鲁棒性。使用OTB100测试集进行实验,实验结果表明,改进后算法的跟踪成功率比改进前算法的跟踪成功率提高了1.3%;在具有遮挡和形变属性的4个测试序列下,改进后算法的平均重叠率提高了3%,中心位置的平均误差降低了0.37个像素点,针对遮挡和外观形变时的鲁棒性更好。