基于深度卷积神经网络的红外图像行人检测

红外图像中的行人检测一直是计算机视觉领域的研究热点与难点。针对传统的红外行人检测方法需要人工设计目标表达特征的弊端,本文从深度学习的角度出发,提出一种可以自动构建目标表达特征的红外行人检测卷积神经网络。在对卷积神经网络的实现原理进行分析的基础上,设计了红外行人检测卷积神经网络的初始结构,然后通过实验对初始结构进行调整,得到最终的检测神经网络。对实拍红外人体数据库进行行人检测的实验结果表明,该方法在保持低虚警率的同时可以对红外图像中的行人进行稳健检测,优于传统方法。     

基于深度学习卷积神经网络模型的行人检测设计

随着近年来5G与人工智能的崛起,无人驾驶技术在不断突破,行人检测作为无人驾驶中的重要任务之一,是一个具有重要研究意义的课题.文中采用深度学习框架Pytorch和目标检测网络YOLO进行行人检测,分别搭建了 YOLO v3、YOLO v3轻量版YOLOv3-Tiny、YOLO v3与SPP-Net融合版本YOLOv3-S...     

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。     

基于深度学习的光学遥感图像目标检测研究进展

目标检测是光学遥感图像解译中的核心问题,在情报侦察、目标监视、灾害救援等领域均具有广泛应用。首先,结合深度学习光学遥感图像目标检测算法研究进展,对基于候选区域和回归分析的两类遥感目标检测算法进行了综述。其次,针对旋转目标、小目标、多尺度、密集目标四类常见特定任务场景目标检测算法改进进行了总结。再次,结合常用遥感图像数据集对不同算法性能进行了对比分析。最后,对未来遥感图像目标检测研究值得关注的问题进行了展望,为后续相关研究提供思路。     

基于改进Faster-RCNN的目标检测算法研究

目标检测是图像处理领域一个重要的研究方向,深度学习方法需要大量数据进行训练,训练的繁杂和复杂的网络结构限制了目标检测的速度.本文基于Faster RCNN的网络架构,创新性提出了light tail Faster RCNN网络架构.light tail Faster RCNN算法在保证精度的情况下,大大提升了处理速度....     

基于深度学习的目标检测算法研究进展

目标检测是计算机视觉领域中一项十分重要的任务,指的是对图像或视频中的目标进行分类和定位,因其被广泛应用于视频检测、目标跟踪等任务中而受到关注。本文首先介绍了目标检测中经常使用的基准数据集和评估指标,同时列举说明了重要的主干网络架构和流行的目标检测算法。最后,我们比较了这些体系结构在多个指标上的性能,对所述算法进行了总结,并对未来前景进行了展望。     

基于深度学习的无监督红外图像与可见光图像融合算法

卷积神经网络(CNN)由于出色的性能,被逐渐应用于图像融合领域.对于红外图像和可见光图像的融合任务而言,由于没有标签数据,对其进行无监督的学习建模具有重要意义.针对这个问题,提出了一种无监督的端到端的深度融合算法,该算法可以由输入的红外源图像和可见光源图像,直接预测出包含源图像显著信息的融合图像.所提算法构建了一个自编...     

基于深度学习和半监督学习的入侵检测算法

深度学习是一种具有自动学习能力的智能算法,通过自我学习到的经验而动态地提升分类的能力。深度学习的思想与入侵检测中通过学习而提高检测率和降低误报率的思想是相同的。对于入侵检测准确率不高的情况,提出了一种基于深度学习和半监督学习的入侵检测方法,该方法使用深度学习对特征提取和后验概率对未标记数据进行分类,提高了分类性能。使用KDD CUP99数据集对算法准确性进行了验证,实验结果验证该方法能够有效改善入侵检测系统性能。     

基于稀疏编码和背景差分的迁移学习行人检测算法

针对多变化场景中通用分类器复杂度高和手工标 记工作量大的问题,提出了一种新的迁移学习框架, 结合稀疏编码和背景差分进行行人检测。首先优化HOG+SVM通用检测器,融合BCLBP和HOG进 行特 征提取,训练linearSVM,并在目标场景序列上利用基于GMM的背景差分法获得帧目标样本的 运动区域 以丰富样本特征。其次利用尺寸等过滤器从目标样本中筛选出部分样本作为目标模板,然后 通过稀疏编码 计算源样本与目标样本和目标模板的相关性,根据稀疏系数与置信度值去计算源样本和目标 样本的权重。 在重训练过程中,基于稀疏编码对所有样本进行权重分配,排除源样本的异常点,从而解决 目标样本漂移, 得到特定场景的行人检测器。为验证算法的有效性,在INRIA、Caltech、TUD数据集上实验 ,本文训练的 特定场景行人检测器的检测率相对于其他传统方法实现了不同程度的提高。     

基于碰撞检测的行人疏散算法研究

采用方位距离效应驱动行人的行走决策,并结合碰撞检测,构建一个适用于行人疏散的仿真算法。算法以经典的包围盒法为基本思路,首先经过预碰撞检测,然后再分解出交叉和同道两类精确碰撞类型,来检测行人之间是否发生碰撞。将该算法应用于计算机室内行人疏散仿真系统,有效地解决了疏散仿真过程中由于路线选择造成的行人交叠问题。     

结合目标提取和深度学习的红外舰船检测

传统显著区域提取红外舰船目标检测算法进行图像处理时虚警率高,而深度学习的红外舰船目标检测方法速度慢。针对这些问题,提出了一种将传统的目标提取与深度学习中分类的思想相结合的红外舰船目标检测算法。首先通过高帽变换（TOP-HAT）和 低帽变换（Bottom-HAT）对图像进行处理,然后通过阈值分割方法和归并算法对图像进行候选区域的提取,再运用深度学习中分类的思想完成对目标船舰的检测。通过测试数据集进行实验并对比分析,结果表明改进后的检测算法平均精确度达到83.69%,较之于传统显著区域提取算法精确度提升了8.09%,较之于Faster-R-CNN算法每百张检测时间缩短了2 s。     

利用步行惯性导航的室内定位融合算法研究

步行惯性导航是一种用于无基础设施室内定位中的新技术,但累积误差效应限制了它的使用范围,为解决此问题,提出一种把步行惯性导航与无线测距定位相融合的定位算法,结合前者轨迹连续和后者无累积误差的优点。仿真结果表明,该融合算法在定位的稳定性和精确性方面都表现出良好的性能,验证了该方案的合理性、有效性。     

基于深度学习的红外与可见光决策级融合检测

提出了一种基于深度学习的红外与可见光决策级融合检测方法。首先,提出了一种介于深度学习模型之间的参数传递模型,进而从基于深度学习的可见光物体检测模型上抽取了用于红外物体检测的预训练模型,并在课题组实地采集的红外数据集上进行fine-tuning,从而得到基于深度学习的红外物体检测模型。在此基础上,提出了一种基于深度学习的红外与可见光决策级融合检测模型,并对模型设计、图像配准、决策级融合过程进行了详细地阐述。最后,进行了白天和傍晚条件下基于深度学习的单波段检测实验和双波段融合检测实验。定性分析上,由于波段之间的信息互补性,相比于单波段物体检测,双波段融合物体检测在检测结果上具有更高的置信度和更精确的物体框;定量分析上,白天时,双波段融合检测的mAP为86.0%,相比于红外检测和可见光检测分别提高了9.9%和5.3%;傍晚时,双波段融合检测的mAP为89.4%,相比于红外检测和可见光检测分别提高了3.1%和14.4%。实验结果表明:基于深度学习的双波段融合检测方法相比于单波段检测方法具有更好的检测性能和更强的鲁棒性,同时也验证了所提出方法的有效性。     

基于深度学习的乳液泵缺陷检测算法

为了实现对工业产品乳液泵的缺陷检测,本文采集泵顶、泵上端、泵下端、尾管4个角度的样本图像,并基于深度学习中迁移学习和卷积神经网络的原理分别构建各角度的分类模型以检测缺陷样本。首先,使用Mini-ImageNet数据集预训练网络模型。然后,调整模型结构并加载预训练网络的参数,并将乳液泵各角度的训练集和验证集经过图像预处理算法后输入至卷积神经网络中训练,根据训练过程中验证集准确率的变化调整网络超参数,得到最终网络模型。最后,将预处理后的乳液泵测试样本输入至训练好的模型中,检测最终模型的缺陷识别效果。最终4个角度检测准确率均在93%以上,单样本检测用时为2.52s,优于传统方法。本文算法可用于设计乳液泵缺陷检测系统,该系统能与工业结构相结合筛选出有缺陷的泵体,也可拓展到工业其他物件的缺陷检测。     

太赫兹成像检测算法研究

由于太赫兹波所处波段位置特殊性以及现阶段太赫兹成像系统性能的限制等,太赫兹波成像质量低,无法满足可视化效果,限制了其发展和应用。结合太赫兹图像模糊特征和灰度信息提出利用灰度特征对太赫兹图像进行图像分割来提高太赫兹图像质量,抑制太赫兹图像背景噪声,保留太赫兹图像目标重要信息,实现太赫兹成像目标检测。实验结果与其他太赫兹图像处理方法结果对比表明,基于灰度特征的图像处理算法可以提高图像清晰度和对比度,实现精确分割,为太赫兹成像在安全检查和医学成像等应用中实现快速检测和提取目标奠定基础。     

基于光网络的深度学习算法研究

光网络是一种轻便的、通用的和纯基于Matlab的深度学习框架。其思想是为深度学习研究提供一个易于理解、易于使用和高效的计算平台。实现此框架可以支持大部分深度学习架构例如多层感知器网络(MLP)、卷积神经网络(CNN)和循环神经网络(RNN)。该框架支持CPU和GPU无缝转换。实验证明此框架在计算机视觉、自然语言处理以及机器人技术中有不同的应用。     

基于YOLOv5算法的红外图像行人检测研究北大核心CSCD

目标检测是自动驾驶的重要前提,是与外界信息交互的重要环节。针对夜间远处行人检测识别精度低、漏检的问题,提出一种针对检测小尺寸行人的YOLOv5-p4的夜间行人识别模型。首先,通过增加更小目标的检测层,引入BiFPN特征融合机制,防止小目标被噪声淹没,使网络模型可以更聚焦于物体的细小特征;同时使用K-means先验框聚类出更小目标的锚框,并且使用了多尺度的数据增强方法,增加模型的鲁棒性。使用了MetaAcon-C激活函数与EIoU回归损失函数使模型收敛效果更好,提升了算法远距离行人的检测的准确率。最后在红外行人数据集FLIR上验证改进后的YOLOv5-p4模型对于行人的检测能力,实验结果表明该方法与传统方法相比,准确率从86.9%提升到90.3%,适合用于红外图像中的行人检测。