基于改进的YOLOv5城市道路车辆行人检测方法

城市道路上车辆行人的检测是自动驾驶汽车环境感知功能中的核心要素之一。针对现有城市道路车辆行人检测任务在使用目标检测算法检测精度低,检测位置不准确等问题,提出一种基于改进YOLOv5的城市道路车辆行人检测新算法—HCA-YOLOv5目标检测算法。通过K-means++聚类算法重新设计并更新锚框初始值并将其匹配到对应特征层,以提高模型对检测目标的检测性能;通过利用城市道路图像中不同高度上的类别分部特点并结合Transformer结构改进HANet的注意力结构,提高I模型I对输入图像的全局上下文特征提取能力,加强网络.对城市道路场景图片中不同类别的辨别.能力。实验结果表明,在自动驾驶数据集KTT上,所改进算法的均值平均精度（mAP）达到了9193%,相比原YOLOv5算法mAP提高了292个百分点,满足了城市道路场景下车辆形容的准确率要求。     

基于改进YOLOv3行人检测研究

行人的检测与跟踪在智能交通、自动驾驶领域中均有广泛的应用。针对图像中小目标检测率低问题,提出了一种YOLOv3的改进方法,并将其应用于小目标的检测。由于小目标所占的像素少、特征不明显,为了获取更多的小目标特征信息,在YOLOv3网络结构的基础上添加三层SPP网络,通过SPP模块实现了局部特征和全局特征,SPP模块中最大的池化核大小要尽可能地接近或者等于需要池化的特征图的大小,特征图经过局部特征与全局特征相融合后,丰富了特征图的表达能力,有利于待检测图像中目标大小差异较大的情况。用改进的YOLOv3算法和原YOLOv3算法在数据集上进行对比实验,结果表明改进后的YOLOv3算法能有效的检测小目标,对小目标的平均准确率有明显的提升。     

面向复杂道路场景小尺度行人的实时检测算法

复杂道路场景中小尺度行人目标检测漏检率高,实时性较差,提出了一种针对小尺度行人检测的增强算法,对RFB(Receptive Field Block)网络从特征提取网络结构及损失函数两方面进行改进:通过反向融合的方式将多尺度特征图通道间Shuffle后的深层特征组多级融合到浅层,并在采用更浅层特征的同时加入改进RFB模块及Normalization层,充分利用多尺度特征层间的信息进行小尺度行人检测。损失函数采用基于交并比和中心点距离解决评测与回归损失函数评价指标不等价问题。实验结果表明,该算法在Caltech行人数据集上总体行人和小尺度行人的漏检率分别降低了4.7个百分点与9.0个百分点,单张图片平均检测时间为36 ms,性能高于同类算法。     

基于Mobilenetv2-YOLOv4模型的行人车辆检测算法

无人驾驶关键技术不断突破,并在更多场景中得到应用。研究车辆行人自动化检测算法具有十分重要的意义。为了提升系统的检测效果,解决因目标物体尺寸太小、目标遮挡以及复杂环境等因素影响所导致的检测精度不高的问题,提出了一种改进的YOLOv4模型对数据集进行训练,采用轻量化网络Mobilenetv2代替YOLOv4中原有的主干网络,以此获取有效特征层,降低原有网络的运算量和参数量。实验结果表明,改进的Mobilenetv2-YOLOv4模型可以达到40.76%的平均精度,每个epoch的学习时间仅约12 min,既保证了识别精度又提高了检测速度。     

复杂场景下基于增强YOLOv3的船舶目标检测

为提升水上交通安全监管的智能化水平，进一步提高基于深度学习的船舶目标检测算法的定位精度和检测准确率，在传统YOLOv3算法基础上，提出用于船舶目标检测的增强YOLOv3算法。首先，在网络预测层引入预测框不确定性回归，以预测边界框的不确定性信息；然后，使用负对数似然函数和改进的二值交叉熵函数重新设计损失函数；其次，针对船舶形状使用K均值聚类算法重新设计先验锚框尺寸并平均分配到对应预测尺度；在网络训练阶段，使用数据增强策略扩充训练样本数量；最后，使用加入高斯软阈值函数的非极大值抑制（NMS）算法对预测框进行后处理。对各种改进方法和不同目标检测算法在真实海事视频监控数据集上进行对比实验。实验结果显示，与传统YOLOv3算法相比，带有预测框不确定性信息的YOLOv3算法的假正样本（FP）数量降低了35.42%，真正样本（TP）数量提高了1.83%，所以提高了准确率；增强YOLOv3算法在船舶图像上的平均准确率均值（mAP）达到87.74%，与传统YOLOv3算法和Faster R-CNN算法相比分别提高了24.12%和23.53%；所提算法的每秒钟检测图像数量达到30.70张，满足实时检测的要求。实验结果表明，所提算法在雾天和低照度等不良天气条件与复杂通航背景下，均能实现船舶目标的高精度稳定实时检测。     

基于YOLOV4的车辆检测系统

本文针对多场景下的道路检测算法系统识别类型偏少和识别数量不精准等问题,提出了一种基于YOLOv4算法的轻量级的目标检测方法,模型包含了大部分常见车辆类型。本文方法 MAP为90.0%。采用7:3的分配方法,数据集共2512张图片。拥有较高的车辆识别精度和视频流畅度,同时有效解决了大型道路交通场景下的车辆遮挡位置问题和小距离目标车辆检测时的问题,具有非常好的实际技术应用研究价值。     

面向复杂场景的行人重识别综述

行人重识别(Person Re-Identification,简称Re-ID)旨在研究多个不相交摄像头间特定行人的匹配问题。文中首次以复杂场景中需要克服的挑战为行人重识别论文的分类依据,将2010-2021年期间发表的研究成果分为7类,即姿势问题、遮挡问题、照明问题、视角问题、背景问题、分辨率问题以及开放性问题,该分类方式有利于研究人员从实际需求出发,根据要解决的问题找到相应的解决方案。首先回顾行人重识别的研究背景、意义及研究现状,总结当前主流的行人重识别框架,统计了2013年以来发表在三大计算机视觉顶级会议CVPR,ICCV以及ECCV的论文情况和国家基金项目中Re-ID的相关项目情况;其次就复杂场景中面临的七大挑战,分别从问题成因和解决方案两方面对现有文献展开分析,归纳总结出处理各类挑战的主流方法;然后给出了行人重识别研究中泛化性较高的方法,并列举了当前行人重识别研究的难点;最后讨论了行人重识别未来的发展趋势。     

复杂场景下基于增强YOLOv3的船舶目标检测

为提升水上交通安全监管的智能化水平,进一步提高基于深度学习的船舶目标检测算法的定位精度和检测准确率,在传统YOLOv3算法基础上,提出用于船舶目标检测的增强YOLOv3算法。首先,在网络预测层引入预测框不确定性回归,以预测边界框的不确定性信息;然后,使用负对数似然函数和改进的二值交叉熵函数重新设计损失函数;其次,针对船舶形状使用K均值聚类算法重新设计先验锚框尺寸并平均分配到对应预测尺度;在网络训练阶段,使用数据增强策略扩充训练样本数量;最后,使用加入高斯软阈值函数的非极大值抑制（NMS）算法对预测框进行后处理。对各种改进方法和不同目标检测算法在真实海事视频监控数据集上进行对比实验。实验结果显示,与传统YOLOv3算法相比,带有预测框不确定性信息的YOLOv3算法的假正样本（FP）数量降低了35.42%,真正样本（TP）数量提高了1.83%,所以提高了准确率;增强YOLOv3算法在船舶图像上的平均准确率均值（mAP）达到87.74%,与传统YOLOv3算法和Faster R-CNN算法相比分别提高了24.12%和23.53%;所提算法的每秒钟检测图像数量达到30.70张,满足实时检测的要求。实验结果表明,所提算法在雾天和低照度等不良天气条件与复杂通航背景下,均能实现船舶目标的高精度稳定实时检测。     

基于胶囊网络在复杂场景下的行人识别

大数据环境下,对行人检测的需求度不断提高,然而视频中的信息越来越丰富,视频中所获取的场景也愈加复杂.在如此背景下,目前大多使用卷积神经网络进行识别,但识别率不高.在原有的胶囊网络模型的基础上,增加了两层卷积层并将胶囊维度进行了扩展,同时使用了动态路由迭代算法,提出了一种基于改进胶囊网络的行人识别模型(PRM-ICN),...     

基于多粒度特征的行人跟踪检测结合算法

对于一些较为流行的应用,例如视频场景监控,对行人的长期有效跟踪是应用的基础.尽管对目标检测与跟踪的相关技术研究已经有了很长的历史,但是如何实时并较为准确地实现目标行人跟踪目前仍然是一个活跃的研究领域.基于多粒度的思想,提出了一种改进的行人跟踪算法,将卷积特征与底层颜色特征结合,对基于深度学习的跟踪算法GOTURN(generic object tracking using regression networks)得到的跟踪结果进行判断决策,结合目标检测对跟踪结果进行修正.实验结果表明：与单一的跟踪算法相比,多粒度决策的跟踪算法能够更加准确地对目标行人进行跟踪,可以显著提高跟踪精度.     

一种智能视频监控系统中的行人检测方法

在智能视频监控系统的行人检测中,目前使用的目标检测算法R-CNN和YOLO系列算法或速度较慢,无法满足实时性要求;或需要较大的GPU显存空间,难以部署。YOLOv3-tiny算法作为YOLO系列的精简版本,对设备要求较低、速度快,但该算法精度较低。本文通过调整YOLOv3-tiny算法的grid cell横纵方向数量、优化YOLOv3-tiny算法网络结构、聚类确定anchor的数量及尺寸,得到改进的YOLO-Y算法,并通过数据增强方法对训练数据集进行扩充。改进的YOLO-Y算法将mAP从90%提升到92%,Recall从95%提升到97%,检测速度达到26帧/s,占用约1 GB显存空间。实验结果表明改进的YOLO-Y算法显著提高了算法检测精度,具有实时性,且不需要太大的显存空间,满足大部分智能视频监控系统的要求。     

基于卷积神经网络的实时行人检测方法

近年来,卷积神经网络在行人检测领域取得了同其他方法相似甚至更好的检测成绩,然而缓慢的检测速度远不能满足现实需求.针对这一问题,本文提出一种实时的行人检测方法,将分散的检测过程整合成单一的深度网络模型,被检测图片通过模型的计算可以直接输出检测结果.使用扩充的ETH数据集进行训练测试,实验结果表明,在保证准确率的情况下,该方法检测速度极快,可以满足实时检测的目的.     

基于深度学习方法的复杂场景下车辆目标检测

近年来,深度学习算法逐渐尝试应用于目标检测领域。本文针对实际交通场景下的车辆目标,应用深度学习目标分类算法中具有代表性的Faster R-CNN框架,结合ImageNet中的车辆数据集,把场景中的目标检测问题转化为目标的二分类问题,进行车辆目标的检测识别。相比传统机器学习目标检测算法,基于深度学习的目标检测算法在检测准确度和执行效率上优势明显。通过本实验结果分析表明,该方法在识别精度以及速度上均取得了显著的提高。     

基于改进YOLOv3的智慧足球场行人检测

由于足球比赛场景中密集人群、移动小目标居多, YOLOv3算法存在检测精确度较低且模型参数量较大等问题, 使其无法部署在资源算力有限的移动设备上, 本文提出了一种基于改进YOLOv3的行人检测方法, 将Darknet-53主干特征提取网络替换为更加高效且轻量化的GhostNet网络; 同时选取了4个尺度的检测分支层并采用K-means++算法改善anchor box的聚类效果; 添加空间金字塔池化对输入图像实现相同大小的输出; 提出CIoU损失函数来计算目标定位损失值; 添加heatmap热力图可视化并在训练中使用Mosaic数据增强. 实验结果表明, YOLOv3-GhostNet在VOC融合数据集上mAP达到90.97%的同时相比YOLOv3算法提高了1.75%, 参数量减少了约81.4%且实时检测速率提高了约1.5倍, 在小型移动设备上表现出不错的检测效果.     

基于深度学习与属性学习相结合的行人再识别

现实情况中缺少大量有标签数据,导致有监督的行人再识别模型训练受到影响。此外,低层特征的缺乏语义特性限制了行人再识别在行人检索、罪犯追踪等中的应用。本文提出了一种基于深度学习与属性学习相结合的行人再识别方法,利用深度学习的无监督模型提取行人图像的本质特征,并引入"属性"概念增强特征的语义表达能力。首先采用卷积自动编码器进行无监督的特征提取,提取的特征然后交由多个属性分类器进行属性分类,并结合统计获得的属性类别映射关系表计算最终类别判定,最后在VIPeR和i-LIDS标准数据集上进行了测试,并与基于优化属性的行人再识别方法（Optimized attribute based re-identification,OAR）、显著性检测对应法（Salience detection correspondence,SDC）等进行了比较,结果表明本方法能够赋予行人再识别较好的语义性能,并在一定程度上提高了识别的准确率,同时获得了较好的零训练样本识别效果。     

基于MobileNet与YOLOv3的路面障碍检测轻量化算法

为了避免人们边行走边使用手机发生危险,本文提出了实时性强的轻量级模型(Mobile-YOLOv3)来检测路面障碍.我们在广州各地拍摄路障图片并标注了一个路障数据集,使用了一个轻量级的MobileNetv1网络来替换YOLOv3的骨干网络实现轻量化,并且应用了4个方法用于提高检测精度和模型的鲁棒型.4个方法分别为:边框回...     

结合金字塔池化模块的YOLOv2的井下行人检测

煤矿井下的行人检测对于保障井下作业人员的安全至关重要。煤矿井下光照暗、粉尘大，直接用YOLOv2检测井下行人，准确率低，仅达到54.3%。针对此问题，以YOLOv2网络为基础，结合了金字塔场景解析网络（PSPnet）中的金字塔池化模块，充分利用图片的上下文信息，提出了YOLOv2_PPM网络。在井下行人检测数据集上进行实验，YOLOv2_PPM网络的准确率提升到63.5%，较YOLOv2网络增加了9.2%，且速度达到了39?帧/s（FPS）。当输入图片的大小为480×480时，检测的准确率提升到71.6%，同时速度为28?帧/s，满足了实时检测的要求。     

基于yolov5s的行人检测系统及实现

随着科技的快速发展,智慧交通系统的建设对提升人们的生活品质,提升城市交通服务能力和城市交通管控的科学有效性有着重点意义.文章采用YOLOV5s目标检测算法对行人识别,首先分析YOLOv5s的架构和关键技术,然后通过YOLOv5s对标注好的数据集进行训练,最后就检测效果进行评估分析.实验结果体现出了YOLOv5s对行人检...