一种新型粗-精表达策略行人检测方法

为了遏制行人检测过程中产生的过多的误检窗口,该文在局部无关通道特征(LDCF)方法基础上提出了一种基于粗-精表达策略的新型行人检测方法。首先运用LDCF方法对行人进行粗略检测,产生一系列高召回率的候选窗口;然后通过改进颜色自相似特征和引入简化的卷积网络结构,进一步提取这些窗口的鲁棒融合特征;最后应用级联分类器对候选窗口进行精细分类判断。在行人检测数据集INRIA和Caltech上的实验结果表明,与传统的行人检测方法LDCF相比,该文方法的平均对数漏检率分别降低2.81%和3.85%,充分验证了该文策略的有效性和特征的鲁棒性。     

一种基于Faster-RCNN的车辆实时检测改进算法

随着交通愈加发达,道路愈加拥堵,如何实时准确地获取车辆基本信息以便交通部门及时管理特定路段和路口的车辆显得日益重要.对交通视频中车辆的检测和识别,不仅需要实时检测,还要保证其准确性.针对实际情况中车辆之间的遮挡、光照的变化、阴影、道路旁树枝的晃动、背景中固定对象的移动等因素严重影响检测与识别的精度的问题,提出基于Faster-RCNN(Faster-Regions with CNN features)的车辆实时检测改进算法.首先采用k-means算法对KITTI数据集的目标框进行聚类,得到合适的长宽比,并增加一组尺度(64~2)以适应差异较大的车辆尺寸;然后改进区域提案网络,降低计算量,优化网络结构;最后在训练阶段采用多尺度策略,降低漏检率,提高精确率.实验结果表明:改进后的车辆检测算法的mAP(mean Average Precision)达到了82.20%,检测速率为每张照片耗时0.03875 s,基本能够满足车辆实时检测的需求.     

基于快速选区卷积神经网络模型的工业产品表面缺陷检测

针对传统带钢表面缺陷检测算法检测效率低、准确率差的情况,提出一种基于快速选区卷积神经网络模型的多尺度带钢表面缺陷检测算法;首先利用残差网络思想对该模型网络特征提取层进行改进;其次,利用多尺度推荐区域网络设置合理大小的卷积滑动窗口,提取出更加准确的推荐区域;最后,利用软判决非极大值抑制机制替代传统的非极大值抑制机制,解决缺陷特征相近时检测框丢失的情况,并在SD_data数据集上进行实验验证。结果表明,所提出的算法对多尺度带钢表面缺陷的检测准确率明显提高,漏检率显著降低。     

一种融合多尺度特征的多物体检测方法

在图像识别与计算机视觉领域,物体检测是研究热点,提出了一种融合多尺度特征的多物体检测方法,基于卷积神经网络在多尺度特征下提取物体的候选区域,然后将不同尺度下的特征进行融合,使多物体检测中出现的小物体被漏检的概率降低.最后采用基于中心点的非极大值抑制方法,计算检测窗口的中心点的欧式距离和iou来抑制冗余的窗口,从而提升多物体检测的精度.将提出的方法在PASCAL VOC数据集上进行验证,实验证明所提的方法能有效提高多物体检测的精确度.     

改进YOLOv3的桥梁表观病害检测识别

针对基于目标检测方法的桥梁表观病害检测存在检测精度低、误检率和漏检率高的问题,提出一种改进YOLOv3的高准确率桥梁表观病害检测识别方法。为实现局部特征和全局特征有效融合,在YOLOv3的检测层中添加固定分块大小的池化模块,并在YOLOv3的特征提取网络中引入了DenseNet密集型连接网络结构以增强桥梁病害特征在网络中的传播和利用效率,提高检测效率,采用数据增强技术来扩充样本图像以解决现有桥梁病害数据集样本数量不足的问题。实验结果表明,改进后的YOLOv3在桥梁表观病害检测上的平均准确率比原YOLOv3提高了3.0%,且模型训练时间减少了33.2%,同时降低了对桥梁表观病害检测的误检率和漏检率。     

基于边界检测和骨骼提取的显著性检测网络

目前一些方法通过多任务联合实现显著性检测，在一定程度上提升了检测精度，但仍存在误检和漏检问题，其原因在于各任务优化目标不同且特征域差异较大，导致网络对显著性、物体边界等特征辨识能力不足．基于此，借助边界检测和骨骼提取提出一种多任务辅助的显著性检测网络，其包括特征提取子网络、边界检测子网络、骨骼提取子网络以及显著性填充子网络．其中，特征提取子网络利用ResNet101预训练模型提取图像的多尺度特征；边界检测子网络选择前3层特征进行融合，可完整保留显著性目标的边界信息；骨骼提取子网络选择后两层特征进行融合，可准确定位显著性目标的中心位置；所提方法基于边界检测数据集和骨骼提取数据集分别对两个子网络进行训练，保留最好的边界检测模型和骨骼提取模型，作为预训练模型辅助显著性检测任务．为降低网络优化目标与特征域之间的差异，设计了显著性填充子网络将提取的边界特征和骨骼特征进行融合和非线性映射．在4种数据集上的实验结果表明，所提方法能有效恢复缺失的显著性区域，优于其他显著性目标检测方法．     

基于Faster R-CNN深度学习的网络入侵检测模型

为了提高网络入侵检测性能,采用快速区域卷积神经网络(Faster region-convolutional neural network,Faster R-CNN)深度学习的方法来完成网络入侵检测。在网络上抓取网络数据包,数值化和归一化处理得到网络数据样本,通过卷积神经网络(Convolutional neural network,CNN)进行网络入侵数据特征提取,根据特征提取结果进行区域候选网络训练,生成多样化尺寸的基准矩形框,每个矩形框设置4个修正参数,根据修正参数及多个矩形框坐标,获得网络入侵样本的候选生成区域,最后采用分类回归网络训练,结合空间金字塔池化修正不同尺寸矩形框,并采用Softmax分类器,生成不同网络攻击类型的置信度,从而获得网络攻击类型分类结果。通过差异化设置CNN和区域候选网络训练时的卷积核尺寸和区域候选网络训练时的基准矩形框数目,验证合适样本集的卷积核尺寸和矩形框数目。结果表明,相比常用网络入侵检测算法,合理设置卷积核尺寸和基准矩形框数目,能够获得更高的网络入侵检出率和检测时间性能。     

多级联卷积神经网络人脸检测

为降低复杂场景对人脸检测的影响,本文提出了一种多级联卷积神经网络的人脸检测方法.在训练网络之前,需要对图像进行预处理,提取大量人脸候选窗口与边框回归向量.首先,采用交叉熵函数训练人脸区域,对网络进行优化,提高人脸预测结果的准确率;然后,使用多级联卷积神经网络结构对人脸候选窗口进行筛选,有效提高人脸候选窗口的准确性;最后,根据三组网络给予的人脸预测结果求平均值,使人脸检测结果更具有说服力.在公开数据集FDDB上进行测试,实验结果显示,本文提出方法准确率为96.3%,取得较好结果,可广泛应用于人脸识别以及人脸关键点定位等相关领域.     

基于改进YOLOv4的车辆目标检测算法

针对公路上高速行驶的车辆检测常常存在错检、漏检的问题,对YOLOv4算法进行改进优化．首先,将CSPDarknet53-tiny作为主干特征提取网络,并对网络中的ResBolck＿body模块中的残差边与GhostModule模块结合代替原始特征网络CSPDarknet53,从而简化网络结构,同时提高其检测精度;然后,将原算法中的SPPNet模块结构替换为ASPPNet,增大网络感受野,降低参数计算量,使模型能够在保持精准度的同时更加轻量化;最后,将注意力机制模块SENet结构嵌入特征金字塔PANet的两个不同位置,使其可对不同重要程度的特征进行相应处理．在BDD100K数据集实验中,原YOLOv4算法训练后得到的模型的平均精度(AP)为88.27%,改进优化后的YOLOv4模型AP为90.96%,改进后的YOLOv4算法相比原算法AP提高了2.69%．在实际真实场景数据集实验中,改进优化后的YOLOv4算法比原算法AP提高了3.31%．实验结果表明,本文提出的方法可以有效提高YOLOv4算法对车辆目标检测的精度．     

多尺度区域特征的细粒度分类算法研究

为了避免复杂背景对精细目标分类的影响,充分利用卷积神经网络提取的目标全局和局部信息进行细粒度任务的研究,提出了一种多尺度区域特征的细粒度目标检测与分类算法.该方法先使用FASTER-RCNN框架训练3个尺度区域的卷积模型进行多尺度目标区域定位,对定位的结果进行包围盒约束和海伦约束以优化提高定位的精确度,然后将提取多个尺度区域的特征进行组合,并用支持向量机训练细粒度分类器.在Caltech-UCSD鸟类数据集和Comp Cars车型数据集上进行实验测试.实验结果表明该算法在Caltech-UCSD鸟类数据集的分类正确率达到82. 8%,比没有使用多尺度区域特征的分类算法提高了7. 5%,比基于部件的分类方法提高了8. 9%;在Comp Cars车型数据集的分类正确率达到93. 5%,比没有使用多尺度区域特征的分类算法提高了8. 3%,比最优的Google Net精细目标分类算法提高了2. 3%,验证了该算法的有效性.     

基于空洞卷积和特征融合的单阶段目标检测算法

针对SSD多尺度目标检测过程中存在的目标漏检和错检问题,提出了一种融入多维空洞卷积和多尺度特征融合的目标检测算法。在卷积神经网络输出的多尺度特征中,浅层具有更多的细节信息,深层具有更多的语义信息,根据这一特点,对浅层网络采用了3种多维空洞卷积的浅层特征增强模块,获得具有语义信息的特征图,将增强后的特征图进行下采样,融合不同层的特征;同时在深层网络引入通道注意力模块,对通道进行权重分配,抑制无用信息,提高目标的检测性能。研究结果表明：该算法在PASCAL VOC数据集上检测精度为79.7%,比SSD算法提高了2.4%;在KITTI数据集上检测精度为68.5%,比SSD算法提高了5.1%,检测速度达到了实时性的要求,有效地改善了目标的漏检和错检。     

基于跨层网络的危险物品X射线自动识别

针对当前的行李物品安检系统通过人眼进行判别,检测效率较低、存在漏检的问题。提出了一种改进后的faster-rcnn跨层检测网络,通过跨层连接网络层,采集多种角度下的危险物信息,将网络结构中提取的低层次特征和高层次特征相结合来训练网络结构,提升网络的复杂性。研究表明该方法在本文所构建的数据集上进行训练和检测实验,结果表明检测效果良好。     

基于可变形上下文感知网络的多尺度仪表检测

针对复杂背景下多尺度仪表设备检测面临较大挑战的问题,提出一种基于可变形上下文感知网络的仪表检测方法。针对工业环境干扰较多、小目标容易漏检的问题,设计了一种新颖的特征金字塔结构;通过引入可变形上下文信息、自适应扩展感受野,多尺度层级的空间和语义信息得到充分利用,有效提升检测效果并降低虚警率;对通用的检测头进行改进,预测额外的定位置信度来抑制低质量的检测框,使得目标框的回归更加精准。基于构建的仪表检测数据集验证了提出方法的有效性。实验结果表明,相比于基准网络,提出的方法在检测效果上有显著的提升。     

基于DCGAN和改进YOLOv5s的桥梁表面缺陷检测识别

针对人工检测桥梁表面缺陷存在精度低、速度慢和漏检率高等问题,该文提出了基于深度卷积生成式对抗网络(deep convolutional generative adversarial networks,DCGAN)和改进YOLOv5s的桥梁表面缺陷检测识别模型.首先,通过DCGAN网络对自主采集的桥梁表面缺陷图像进行数据增强,建立每类缺陷样本数量较为均衡的数据集; 其次,在YOLOv5s模型基础上嵌入CBAM注意力机制模块,使模型将注意力集中于缺陷区域,从而提升图像分类的准确率; 最后,为验证所提方法的适用性,将包含4类桥梁表面缺陷的数据集进行训练与测试.实验结果表明:该文提出的模型在桥梁表面缺陷检测上的准确率为92%,相比其他深度学习模型具有更高的检测精度和鲁棒性.     

基于区域渐进校准网络的人脸检测与定位

为解决角度变化下的人脸检测中存在参数量大及角度幅度变量小的问题,提出区域渐进校准网络用于任意平面角度的人脸检测,通过级联网络结构降低角度变化、提升网络运行速度。采用区域生成网络产生高质量的候选区域,构造渐进校准网络,逐步缩小面部平面角度变化范围,同时由粗到细地对候选区域执行面部检测。其中,特征提取的中间层融合参数量较少时,更好地表示了面部特征,调整锚的设置解决小尺度面部问题。在角度增强的FDDB(face detection data set and benchmark)数据集与WIDER FACE数据集上的实验结果表明,提出的方法分别取得了89.1%与90.4%的平均召回率,准确度高于快速区域卷积神经网络（Faster RCNN）,且运行速度更快。在实际项目中使用该算法,验证了该方法的有效性及可行性。     

一种基于特征金字塔的快速行人检测方法

针对由于背景变化,行人尺度的不确定性以及遮挡等因素的存在下,如何提高检测精度和速度问题。基于相邻尺度通道特征的可预测性,提出一种基于特征金字塔的快速行人检测方法。首先,计算关键尺度下的聚合通道特征,该特征由3个LUV通道特征、1个局部量纲一化的梯度幅值通道特征和6个梯度方向直方图(HOG)通道特征构成,充分反映了图像的梯度信息和颜色信息。其次,依据相邻尺度通道特征的可预测性,估算关键尺度的相邻尺度的通道特征,快速、高效地构建了多尺度聚合特征金字塔。然后,在Bootstrapping框架下,采用AdaBoost算法训练二阶决策树,构成行人分类器。最后,在进行行人检测时,按照预定的步长滑窗遍历每个尺度上的聚合通道特征,获得检测块,并将检测块作为训练好的级联分类器的输入,记录候选窗的窗口坐标及得分,利用非极大抑制对行人候选窗进行二次筛选,输出最后的行人检测框。在ETH和TUD等公开数据集进行测试,并与HOG方法、VJ方法、DPM方法相比较。研究验结果表明:DPM(形变部件模型)方法和提出的方法检测准确性高于VJ方法和HOG方法;在视角变化、行人存在遮挡的情况下,该方法在漏检、误检和窗口定位精度等方面的性能优于DPM方法,在保证较高检测精度的同时,极大地提高了检测速度,帧速率达到了29帧/s,优于其他算法,能够满足实时检测要求。     

改进Faster R-CNN的小目标检测

Faster R-CNN是一种比较流行的目标检测方法,由于Faster R-CNN对小目标的识别率较低,对候选区域生成和分类阶段对象大小的变化对网络的性能影响进行了详细的研究。另外,还研究了特征图的分辨率对这些阶段的影响。对于小物体,anchor的选择是非常重要的,引入了一种改进的方案用于生成候选区域建议,提供了根据期望的定位精度来选择anchor的标准,并且使用了多尺度RPN(Region Proposal Network)和多尺度分类网络。用改进后的Faster R-CNN在Flicker数据集上进行了验证,证明它能够提高小目标检测的性能。     

改进FasterRCNNG的小目标检测

Faster RCNNG是一种比较流行的目标检测方法,由于Faster RCNNG对小目标的识别率较低,对候选区域生成和分类阶段对象大小的变化对网络的性能影响进行了详细的研究.另外,还研究了特征图的分辨率对这些阶段的影响.对于小物体,anchor的选择是非常重要的,引入了一种改进的方案用于生成候选区域建议,提供了根据期望的定位精度来选择anchor的标准,并且使用了多尺度RPN(Region Porposal Ntworke)和多尺度分类网络.用改进后的Faster RCNNG在Flicker数据集上进行了验证,证明它能够提高小目标检测的性能.     

采用HOG特征和机器学习的行人检测方法

针对基于方向梯度直方图(HOG)/线性支持向量机(SVM)算法的行人检测方法中存在检测速度慢的问题,提出一种将HOG特征与Adaboost-BP模型相结合的行人检测方法.利用边缘检测技术快速检测出行人候选区域,提取出多尺度多方向的HOG特征,利用Adaboost算法训练多个反向传播神经网络用于构建强分类器,实现对测试样本图像的检测识别.结果表明:文中方法具有更高的检测率、更低的误报率和漏检率,具有较好的检测效果.     

基于二级改进LeNet-5的交通标志识别算法

以真实场景中拍摄的交通标志图像数据集GTSRB为研究对象,将卷积神经网络与支持向量机相结合,提出一种基于二级改进LeNet-5的交通标志识别算法。该算法首先根据识别系统的实时性要求,对原始LeNet-5结构进行改进;然后用裁剪、灰度化、图像增强和尺寸归一化等操作对原始图像进行预处理,得到32×32的感兴趣区域;接下来,利用数据集GTSRB训练出一个二级改进LeNet-5,其中第一级改进LeNet-5将感兴趣区域中包含的交通标志粗分为6类,第二级改进LeNet-5对粗分类结果进行细分类,识别出交通标志所属的最终类别。实验结果表明,基于二级改进LeNet-5交通标志识别算法因网络模型能够提取交通标志的多尺度特征,识别正确率可达91.76%。