基于改进YOLOv5s的轻量化交通灯检测算法

针对目前交通灯检测算法网络模型参数量过大、实时性差的问题,提出了一种基于改进YOLOv5s的轻量化交通灯检测算法.首先,用轻量化网络MobileNetv3替换原主干网络并引入注意力机制,在对检测精度影响不大的前提下降低模型参数量;然后,使用深度可分离卷积替换颈部网络中的传统标准卷积,进一步降低模型参数量;接着,针对交通灯尺度小的特点,删除检测大目标的检测层;最后,改进边框回归损失函数,提升边框检测精度.同时,为了能实时部署在嵌入式平台,该算法对网络进行通道剪枝实现模型压缩和加速.实验结果表明,该算法在嵌入式平台NVIDIA Jetson Xavier NX上能达到48.1帧/s的检测速度,相比原始YOLOv5s牺牲了1.5%的mAP,但是该模型体积压缩了54.3%,检测速度提高为原来的2.6倍,可以满足在交通道路中实时对交通灯检测的需要.     

面向无人驾驶的行人三维姿态估计方法

实时、高精度的行人三维姿态估计可有效提升无人驾驶汽车智能化水平。在Open Pose深度学习基础上,提取人体2D关节点,通过建立简化人体躯干数学模型来计算躯干空间位置和姿态,并以单个肢体为对象,通过分层式优化计算求解人体四肢关节角,进而确定人体3D姿态。主、客观实验测试结果表明,行人各关节空间位置平均误差低于78 mm,算法平均处理时间每帧低于52 ms。     

基于人体骨架模型的远红外视频下老人摔倒检测

利用远红外光谱视频进行老人摔倒检测研究,提出一种基于人体骨架模型的远红外视频下老人摔倒检测算法;采用YOLOv4-Tiny算法获取远红外视频中人体目标位置,再利用COCO数据集训练的区域多人姿态估计网络模型,直接对自采集的远红外视频进行人体骨架提取,得到人体关节点序列,然后对人体骨架建立时空图卷积模型进行特征提取进而检...     

基于人体属性分析的考场行为识别

在实际监控的边缘设备中利用TSN或者3DCNN网络很难实现实时的、相对准确的监控任务。提出一种结合了人体检测和人体属性分析的考场行为识别算法。相对于以提取时空特征作视频分类算法为主流思想的行为识别,利用视频帧以人体检测和人体属性分析结合的行为识别方法更加快速准确。方法借助了多标签学习、注意力机制和特征金字塔等策略来改进任务,同时利用迁移学习对本地采集的数据集进行再训练,实验结果表明达到了主流数据集的良好性能,并在考场环境具有高效性与实用性。     

基于人体姿态动态特征的跌倒行为识别方法

意外跌倒严重威胁老年人健康安全，准确识别跌倒事件并及时予以报警可以有效降低跌倒者所受伤害. 本文提出了一种新的跌倒识别方法，基于OpenPose深度卷积网络自图像提取的人体姿态关键点获取人体倾斜姿态动态特征，使用基于线性核的支持向量机完成跌倒行为二分类，并以基于人体下降姿态动态特征的阈值判断排除混淆性较大的非跌倒行为，保证算法召回率. 本方法在人体动作数据集上测试取得了97.33%的准确率与94.80%的精确率，与现有基于图像的跌倒识别方法相比具有更优的性能，常见的单目RGB摄像机的特性使得本方法在普及性上优于需要Kinect相机的现有跌倒识别方法.     

基于自适应感受野的教室人体姿态实时检测

人体姿态信息对教学管理和教学评估具有重要作用,通过算法快速且准确地获取人体姿态信息具有重要的研究意义。近年来,尽管基于人体关键点的姿态估计方法被广泛研究,但由于教室监控场景图像普遍存在遮挡严重、目标尺度变化大、图像成像质量差等问题,难以直接运用现有方法。提出一种基于自适应感受野的教室人体姿态实时检测方法。在单发多边框检测器(single shot multibox detector, SSD)网络中,构建自适应感受野卷积模块,通过上下两个支路提取不同感受野的特征;在反向传播过程中,自动学习上下支路的特征融合参数,自适应调整网络的感受野;提高网络在教室场景中人体姿态的检测性能。实验结果表明,提出的方法可以实现实时检测,且优于现有的教室人体姿态检测方法和其他单阶段目标检测方法。     

人体姿态检测装置的设计

为了解决无人监护的居家老人意外跌倒的事故,设计一种人体姿态检测装置,及时发现跌倒并报警,降低事故损害.采用LPC2114作为控制器,通过三轴加速度传感器MMA7455检测人体姿态,利用支持向量机算法进行分析,判断是否跌倒以及跌倒状态,数据通过无线方式发送至监测端,监护人通过网络可实时查看被监护人状态.数字式传感器的使用简化了硬件电路,无线传输采用短信模块TC35i,当跌倒发生时,可第一时间通过短信息形式通知监护人,体现人性化设计.     

联合多颜色直方图的Camshift行人跟踪算法

针对目标容易受背景干扰或局部的、不完全遮挡时Camshift算法易产生局部最大值导致丢失目标的问题。通过人体姿态估计算法检测到行人边界框和关节点位置,依据的关节点位置提取行人的身体部分,进而得到局部颜色直方图;通过行人边界框,计算全局直方图均衡化;利用行人间局部直方图的相似性得分,预测下一帧中目标行人可能的位置,并以此确定Camshift算法的搜索区域。通过实验证明,改进后的算法可以更好地跟踪行人。     

基于改进YOLOv5算法的复杂场景交通目标检测

实时的交通场景目标检测是实现电子监控、自动驾驶等功能的先决条件.针对现有的目标检测算法检测效率不高，以及大多数轻量化目标检测算法模型精度较低，容易误检、漏检目标的问题，本文通过改进YOLOv5目标检测算法来进行模型训练，再使用伪标签策略对训练过程进行优化，然后在KITTI交通目标数据集上将标签合并为3类，对训练出的模型进行测试.实验结果表明，改进的YOLOv5最终模型在该所有类别上的mAP达到了92.5％，对比原YOLOv5训练的模型提高了3％.最后将训练的模型部署到Jetson Nano嵌入式平台上进行推理测试，并通过TensorRT加速推理，测得平均每帧图像的推理时间为77ms，可以实现实时检测的目标.     

基于四元数卡尔曼滤波的多轴传感器协同人体跌倒监测研究

为了准确、快速、自动地监测人体跌倒,开展了基于四元数卡尔曼(Kalman)滤波的多轴传感器协同人体跌倒监测研究.它使用MPU-9520传感器实时获取人体姿态信息,再基于四元数法实现姿态解算.利用Kalman滤波算法降低噪声影响,提高监测正确率.通过选择加速度、角速度和姿态角的矢量大小的阈值作为跌倒判断标准,提高了跌倒监...     

结合二阶注意力机制的多尺度人体姿态估计

为解决人体姿态估计任务中存在的不同视角下人体实例尺度变化、遮挡问题导致的人体关键点定位不准确问题，提出融入二阶注意力机制的多尺度人体姿态估计网络模型（GOS-HRNet）。首先，在特征提取阶段为了获得高质量的特征图，通过在多分辨率网络结构中使用Octave卷积，保留更多的图像空间特征信息以提高关键点定位准确率；然后，为有效的利用图像上下文信息，融入二阶注意力模块Gsop使网络能更好的学习各分辨率表征的空间信息；最后，为了应对尺度变换对关键点定位的影响采用尺度增强训练方法，提高模型对尺度变化的鲁棒性。本文提出模型在MS COCO 2017数据集上进行实验，结果表明：提出的GOS-HRNet模型平均检测精度比HRNet模型提升了2.2%，能够更加准确的利用上下文信息、丰富空间特征信息以提高对关键点定位的准确性。     

一种基于深度学习的高速无人艇视觉检测实时算法

针对高速无人艇自主航行时对视觉检测的实时性以及由于水面场景变化和波浪反射等干扰的鲁棒性需求,提出一种基于深度学习的高速无人艇视觉检测实时算法.采用基于MobileNet的神经网络快速提取全图特征,设计SSD结构的检测网络融合各层特征图的结果以完成快速多尺度检测,并在嵌入式GPU NVIDIA Jetson TX2硬件平台上将算法实现并验证.结果表明,该算法能够实时检测多类水上特定目标,具有鲁棒性强、多尺度的特点,单帧视频的检测时间可以控制在50 ms以内.      

基于改进Faster R-CNN的手部位姿估计方法

基于视觉的手部位姿估计技术应用于诸多领域，具备着广泛的国际应用市场前景和巨大发展潜力。然而，手部自身存在检测目标过小、手指高自由度以及手部自遮挡等问题。通过对目前存在的难点分析，将手部位姿估计任务分为手部检测和手部关键点检测，提出基于改进的Faster R-CNN的手部位姿估计方法。首先提出基于改进的Faster R-CNN手部检测网络，将传统Faster R-CNN网络中的对ROI(regional of interest)的最大值池化，更改为ROI Align,并增加损失函数用于区分左右手。在此基础上增加了头网络分支用以训练输出MANO(hand model with articulated and non-rigid deformations)手部模型的姿态参数和形状参数，得到手部关键点三维坐标，最终得到手部的三维位姿估计结果。实验表明，手部检测结果中存在的自遮挡和尺度问题得到了解决，并且检测结果的准确性有所提高，本文手部检测算法准确率为85%,比传统Faster R-CNN算法提升13%。手部关键点提取算法在MSRA、ICVL、NYU三个数据集分别取得关键点坐标的均方误差值(k...     

基于改进SegNet算法的车道线检测方法

无人驾驶车辆在结构化道路中需要通过车道线判断自身位置,为提高其检测的实时性与准确性,本文提出一种利用改进SegNet网络算法与连通域约束相结合的方法实现车道线检测识别。将对称的SegNet网络算法改为非对称结构对车道线作逐像素提取：利用卷积与池化提取车道线特征,摒弃传统的车道线聚类过程,利用二值化图像结合连通域约束与关联对车道特征点进行分类,最后对相同类别的车道特征点进行车道线拟合。该算法在香港中文大学的 CULane 数据集和图森未来的TuSimple数据集上进行了训练与测试,该算法对车道分割准确、实时处理能力优秀,检测识别效果优于传统SegNet网络算法,其平均检测精度为 94.60%,每帧检测耗时提升53毫秒。     

基于Openpose和Yolo的手持物体分析算法

针对当前模式识别领域少有专门针对手持物体识别的研究,提出了可实时全局分析人体手持物体状 态及手持物体类别的分析算法。以人体姿态估计网络Openpose和物体检测网络Yolo为基础对图像进行初步处理,利用C++API将二者获取到的人体关节点坐标和目标物体坐标进行信息融合,然后针对不同尺寸的物体进行分类并分别设计了判定法则,融合交并比(IOU)算法作为手持状态的辅助判断,最终实现了人体手持物体行为分析算法。采集手持物体的视频流制成数据集,使用多种方法进行数据增强并训练,最终算法识别出手持物体状态的的同时,正确识别手持物体类别的准确率可达91.2%左右,相较于传统方法提高了大约1.3%,且运行速度可达13 fps,验证了算法的准确性。试验证明该算法对手持刀具、枪支等危险品的异常行为检测具有较高应用价值。     

基于改进YOLOv4输电线关键部件实时检测方法

针对输电线路维护过程中的典型缺陷识别问题,为提高无人机(unmanned aerial vehicle, UAV)自主巡检的智能化程度,提出基于改进YOLOv4的无人机输电线关键部件实时检测模型。根据无人机视角下输电线典型目标的特点,结合MobileNet重新设计了一种轻量的特征提取网络来获取更高的特征提取效率,利用空洞模块增强感受野减少小目标的信息损失;在特征融合模块中添加自适应路径融合网络来融合更多的位置信息和语义信息,提高了多尺度目标的检测精度,减少了目标的误报率。采用构建的无人机输电线关键部件数据集来评估提出的模型。结果表明:基于YOLOv4改进的网络能够在无人机机载端实现实时多尺度目标检测,模型的平均准确率可达到92.76%,检测速度可达到32帧/秒,能够满足无人机嵌入式平台上实时检测的需求。     

基于改进YOLOv4的行人检测算法

针对YOLOv4算法在行人检测中精度低,实时性差的问题,提出一种基于YOLOv4的改进算法。首先将MobileNetv2作为主干网络,在减少参数量的同时保证其特征提取能力,同时在MobileNetv2中加入Bottom-up连接,减少浅层信息的丢失;然后在特征融合网络嵌入CBAM注意力机制,增强特征的表现力;最后在分类与回归网络中加入Inception结构,进一步提高检测速度和增加网络复杂度。实验表明：在VOC数据集上,改进算法比原算法检测效果更佳,实时性更好,其精度提高了2.87%,处理速度提升了29.52FPS;同时在真实场景下构建的数据集上,改进后的算法比YOLOv4精度提高了2.13%,具有较好的鲁棒性。     

高铁轮毂表面缺陷的视觉显著性超像素图像检测方法

针对高铁轮毂表面缺陷实时在线检测问题,提出一种基于视觉显著性注意机制的超像素自适应检测方法。首先采用同态滤波器对缺陷图像进行预处理,去除环境光污染噪声引起的图像亮度分布不均匀问题,构建轮毂表面缺陷图像的谱残差视觉注意模型,之后采用超像素分割算法对缺陷显著性图像进行自适应阈值分割,标记出高铁轮毂表面缺陷的二维空间位置,实现轮毂表面缺陷的边界检测和形态估计。本文方法在高铁轮毂表面缺陷检测实验平台上进行了实验验证,结果表明：该方法能够有效抑制图像分割中的过分割问题,对缺陷的边界信息提取准确,鲁棒性较好。     

电动汽车充电站火灾多目标实时检测与预警方法

电动汽车在充电过程中易发生火灾事故，为了提高电动汽车充电站火灾检测实时性，提出一种基于YOLOv4-Tiny-CBAM的电动汽车充电站火焰烟雾多目标实时检测与预警算法：选用YOLOv4-Tiny轻量级网络模型实现在低算力平台流畅运行；引入Kmeans-GA算法重新计算锚框值；引入卷积注意力机制模块（CBAM）以加强网络对火焰烟雾特征提取能力以提升检测精度；将电动汽车充电站监控视频作为模型检测输入源，实现就地端实时检测。实验结果表明：该改进算法模型参数量为6.143M，视频检测FPS值为43，mAP值为86.76%，具有较好的目标连续跟踪能力，满足实时检测的需求，对无人化电动汽车充电站安全运行以及火灾应急处置具有重要意义。