结合关联特征和卷积神经网络的视频目标检测

针对视频目标检测领域中使用图像检测算法存在的速度与精度相互制约的问题,为充分利用目标在帧之间的运动信息,提出一种结合关联特征和卷积神经网络的视频检测方法.首先,当前视频帧使用图像检测算法提取特征,其次,利用两帧的关联特征预测当前帧的特征图,最后,使用关联特征中的运动信息来修正最终结果.本文的方法最终在ImageNet数据集上进行了实验,结果比当前方法获得了较好的精度提升,同时保持了较快的速度.     

基于混合差分法的运动目标检测

为了提高背景重建速度和目标检测精度,提出了基于混合差分的运动目标检测方法.采用一种基于统计模型的区域像素级背景重建方法.结合帧差分法对于环境的适应性和背景差分法目标检测的准确性.首先用帧差分法得到目标最大的可能区域,在该区域进行像素级背景重建.然后用背景差分精确提取目标区域.既克服了单纯帧差分对于目标运动速度的限制,又缩小了背景差分的区域,使运动目标检测的时间复杂度迅速降低.通过实验,验证了该方法在检测精度和速度上的优势,可以应用于视频监控和目标跟踪领域.     

基于压缩卷积神经网络的交通标志分类算法

针对车载计算系统很难满足大型卷积神经网络对计算资源和存储空间需求的问题,提出了一种基于压缩卷积神经网络的交通标志分类算法.首先挑选原始VGG-16和AlexNet在GTSRB数据集上进行分类训练;然后对网络模型进行基于泰勒展开的通道剪枝删除冗余的特征图通道;接着使用三值量化方法对剪枝后的网络模型进行参数量化;最后进行了通道剪枝、参数量化和组合压缩的实验.结果表明:本算法有效地压缩了网络模型,减少了运算次数.最终组合压缩的VGG-16网络模型的存储空间减少一半,参数数量为原始模型的9%,每秒浮点运算次数减少为原始模型的1/5,模型加载速度提升了5倍,测试速度提升了2倍,精度为原始模型的97%.     

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.     

一种轻量型果园环境果实检测方法

果园环境下柑橘的快速准确检测是自主采摘机器人作业的关键.针对现有的模型过于冗余、检测速度与精度不平衡等问题,提出一种轻量型果园环境果实检测方法.在YOLOv4算法的基础上引入焦点损失函数(Focal Loss)来提高模型在二分类检测任务中的负样本挖掘能力,并针对模型参数冗余等问题提出一种优化的模型剪枝方法.试验结果表明：提出的方法在果园环境中柑橘果实数据集检测得到的平均精度均值(mean average precision,M_AP)达到94.22%,相较于YOLOv4模型提高了1.18%,模型参数减小了95.22%,模型尺寸为原来的4.84%,检测速度为原来的4.03倍.     

YOLOv3-ADS:一种基于YOLOv3的深度学习目标检测压缩模型

基于原有YOLOv3模型占用存储空间较大,所需初始化数据集样本和参数较多的问题,本文提出了一种基于YOLOv3的深度学习目标检测压缩模型YOLOv3-ADS.该模型使用拼接、叠加等方法对较少的有代表性的初始数据集进行数据增强,引入了DIoU损失函数,提升了目标检测的准确度.最后,通过稀疏训练和剪枝率阈值设置实现了YOLOv3-ADS模型的压缩处理,减少了模型实现过程中的冗余节点、参数数量和所需存储空间.实验结果表明,提出的YOLOv3-ADS压缩模型与已有的YOLOv3模型相比,平均精度值(mAP值)提升了约30%,由0.6418提升至0.8368,需设置参数量下降了96.6%,由原来的63.0MB降至2.2MB,在保证了较高目标检测准确率的同时,YOLOv3-ADS模型所需存储空间下降了96.5%,由252MB降至仅需8.81MB.     

基于视觉特征提取的压缩域在线视频摘要快速提取

为了在有限的时间内产生质量可接受的视频摘要以达到在线使用的要求,提出一种基于视觉特征提取(visual features extraction,VFE)的压缩域视频摘要快速提取方法.从每帧输入视频中提取视觉特征,采用零均值归一化交叉相关(zero mean normalized cross correlation,ZNCC)指标检测有相似内容的视频帧组,为每组选择代表性帧,运用2个量化直方图过滤所选择的帧,从而避免视频摘要中可能的冗余或无意义帧.在视频检索国际权威评测(TREC video retrieval evaluation,TRECVID) 2007数据集上的实验结果表明,与基于聚类的高斯混合模型、基于熵的模糊C均值聚类和关键帧提取方法相比,该方法提取的视频摘要质量更高,且在时间和空间复杂度上具有明显优势,适合在线实时处理.     

考虑全帧间参考依赖性的监控视频高效视频编码码率控制算法

针对高效视频编码(HEVC)标准中的码率控制算法在计算目标码率分配权重时未考虑帧间参考依赖性、编码效率低的问题,提出了一种面向监控视频考虑全帧间参考依赖性的HEVC图像级码率控制算法。调研了HEVC低时延结构中编码帧与其所有帧间参考帧之间的参考依赖关系,在此基础上构建了适用于监控视频的考虑全帧间参考依赖性的失真模型。利用构建的失真模型,基于拉格朗日率失真优化理论,建立了拉格朗日率失真代价函数。求解此代价函数,获得每幅图像对应的优化的目标码率分配权重,提出了适用于监控视频的图像级码率控制算法。实验结果表明,与HEVC测试模型HM中使用的平均比率目标码率分配权重的码率控制算法相比,所提算法可以获得更加准确的码率估计,并且所提算法的德尔塔码率(ΔR)可平均降低9.54%。     

基于背景差分法和帧间差分法的车辆运动目标检测

针对背景差分法和帧间差分法在检测车辆运动目标时存在阴影的问题,提出一种结合背景差分法和帧间差分法去除阴影的车辆运动目标检测算法.首先采用均值法从图像序列建模获取背景,通过背景差分法对当前帧进行差分得到背景差分图,二值化得到二值图.然后利用改进Robert算子对二值图与背景差分图进行边缘检测.最后通过对两张边缘图像进行帧间差分,得到去除阴影的车辆运动目标.     

融合聚类法的改进三帧差分车辆检测算法

针对三帧差分法在车辆检测任务中出现的前景点误检和漏检问题，提出了一种融合K-means聚类的改进三帧差分车辆检测算法。首先，综合当前图像分别与改进算法所选两帧的差分结果，初步判定像素点类别并定义待分类点；其次，结合待分类点在三帧内的灰度特征对其进行K-means聚类，并依据点的坐标信息修正聚类结果，得到待分类点类别；最后，设计车辆形状修正方法，填补空洞并修正目标边界，完成检测。实验结果显示，改进算法在2种不同场景视频上的检测效果达到了81.72%的平均精确率、93.85%的平均召回率以及87.34的平均F₁值，各指标值相比于原三帧差分法平均有11.86%提升，较好解决了检测中前景点误检和漏检的问题。     

基于影像定位的无人机侦察视频超分辨率重建方法

 为了改善无人机侦察视频质量,针对目前无人机摄像、照相数据特点,提出了一种基于前方交会的无人机航摄影像定位方法。首先,对所有无人机侦察视频帧和航片分别进行特征匹配,得到影像间关系;然后,提出基于前方交会与抗差估计的无人机航摄影像定位方法,来实现航摄影像的定位;最后,对侦察视频帧进行高频补偿与凸集投影迭代优化,得到重建后侦察视频。实验结果表明,基于前方交会与抗差估计的无人机航摄影像定位方法加强了无人机视频与航片的对应性,凸集投影迭代优化法增强了重建的边缘保持能力。该方法增强了重建图像的一致性与保真度,特别是对图像边缘细节部分等效果极为明显,且处理速度更快。     

基于影像定位的无人机侦察视频超分辨率重建方法

 为了改善无人机侦察视频质量，针对目前无人机摄像、照相数据特点，提出了一种基于前方交会的无人机航摄影像定位方法。首先，对所有无人机侦察视频帧和航片分别进行特征匹配，得到影像间关系；然后，提出基于前方交会与抗差估计的无人机航摄影像定位方法，来实现航摄影像的定位；最后，对侦察视频帧进行高频补偿与凸集投影迭代优化，得到重建后侦察视频。实验结果表明，基于前方交会与抗差估计的无人机航摄影像定位方法加强了无人机视频与航片的对应性，凸集投影迭代优化法增强了重建的边缘保持能力。该方法增强了重建图像的一致性与保真度，特别是对图像边缘细节部分等效果极为明显，且处理速度更快。     

基于AM5708的智能多目标跟踪监控系统设计

监控系统的视频序列往往受到环境噪声、运动目标繁多和目标遮挡的影响,针对传统视频监控无法对人员实施有效检测、跟踪和计数的问题,设计一种基于ARM的智能多目标跟踪监控系统.从整体性角度阐述系统硬件设计方案和软件环境搭建.在算法实现方面,基于改进的自适应高斯混合模型和卡尔曼滤波实现了目标检测和跟踪,引入匈牙利算法进行数据关联来解决多目标跟踪的任务指派问题,同时利用检测目标和预测目标之间的欧式距离以及卡尔曼滤波解决了遮挡问题.实验结果表明,系统在场地和摄像头视角有限的情况下可以有效跟踪到6个运动目标,其平均处理能力保持在18帧/s.     

Improved Model of Start-Wave Velocity at Intersections Based on Unmanned Aerial Vehicle Data

The basic parameters involved in current start-wave theoretical models such as density and velocity are difficult to obtain through traditional traffic detection devices. Thus it is hard to apply these theoretical models to the actual verification and prediction for real situation. Unmanned aerial vehicle( UAV),which can shoot aerial video and identify vehicles, roads and other objects, is introduced in this study as a new type of traffic information collection method to gather the real-time data of the necessary parameters. An improved start-wave velocity model is proposed,where the speed and density of traffic flow are converted into vehicle space headway,mean vehicle length and other auxiliary parameters which can be recognized from aerial video or other means. A UAV was used for video shooting at intersections in a flight experiment in order to verify the accuracy of the calculated start-wave velocity.The mean absolute error rate between the calculated velocity and the actual velocity is 2. 277%. Moreover, the improved start-wave velocity model showed much better accuracy than the traditional start-wave velocity model. The results indicate that the improved model is accurate enough to be used for model calibration and validation in signal timing optimization.     

前方车辆图像识别与纵向安全域控制方法研究

提出一种基于单目视觉的前方目标车辆图像识别与纵向安全域控制方法。利用目标车辆视频图像的小波分形特征进行图像识别,并采用粒子滤波对检测结果进行实时动态跟踪,在此基础上,结合单目机器视觉感知技术测量纵向车间距,并建立纵向安全域控制模型,最后进行了仿真分析。实验结果表明,该方法有效缓和了目标车辆图像检测准确性与实时性之间的矛盾,在保证行车安全的同时,兼顾了道路通行能力。     

基于改进YOLOv5和视频图像的车型识别

为了提高车型识别的精度和检测速度,本文提出了改进YOLOv5的车型识别算法。首先利用高速公路收费的监控视频数据扩充BIT-Vehicle车型数据集,同时针对数据集中各车型图片数量不均衡现象利用图像翻转、添加高斯噪声、色彩变化等图像处理技术对各车型数量进行均衡化,构建BIT-Vehicle-Extend数据集;其次,添加RFB (Receptive Field Block)模块用于增加网络感受野,有助于模型捕捉全局特征;第三,将无参数的SimAM注意力机制添加Bottleneck中,在不增加参数的情况下,提高网络的特征提取能力。最后,实验结果表明,相比于原始网络模型,本文所提出的YOLOv5优化算法,mAP0.5和mAP0.5：0.95 达到98.7%和96.3%,分别提高了0.7%和1.5%。在检测速度方面,达到90 frames/s,与原网络相比检测速度基本不变。因此,本文所提出的YOLOv5优化算法,能够高精度的实时检测车型信息,满足车型识别检测需要。     

复杂交通环境下二轮机动车乘员头盔检测算法

针对现有二轮机动车乘员头盔检测算法在目标密集分布、随机遮挡等情况下效果较差且难以在边缘设备上应用的问题,制作了具有针对性的数据集,对比现有模型后,以YOLOv7为参考提出一种复杂交通环境下二轮机动车乘员头盔检测算法.首先,采用EfficientNet-B3作为主干网络,可提高特征提取能力且更为轻量化;其次,将增大感受野模块(RFB)引入特征融合结构中,以增大模型感受野,提升小目标头盔检测能力;最后,在检测头嵌入SimAM机制,在不增加参数的前提下提高算法精度.结果表明：相较于YOLOv7,文中算法的准确率、召回率和平均准确率分别提高了2.84%,2.26%和3.26%,参数量和运算量分别为YOLOv7的33.1%,23.5%,可实现当前主流模型算法的最佳检测性能和效率;在NVIDIA Jetson Nano开发板上的处理速度达到47.58 F·s^-1,可满足边缘设备部署需求.     

基于改进YOLOv5的车辆目标检测研究

针对现有目标检测算法在自动驾驶等领域的车辆目标检测中存在检测精度不高,实时性和鲁棒性较差等问题,本文提出一种基于YOLOv5的车辆目标检测方法.本文在YOLOv5s网络模型框架下,引入一次性聚合（OSA）模块优化主干网络结构,提升网络特征提取能力;并采用非局部注意力机制进行特征增强;同时利用加权非极大值抑制方法实现检测框筛选.实验结果表明,在自制车辆检测数据集上,改进网络模型与原YOLOv5s模型相比,平均准确率均值（mAP）提升3%,不同目标类检测的平均准确率（AP）均得到提升,且检测速度满足实时性要求,对于密集车辆和不同光照条件下均能较好实现车辆目标检测.     

基于改进YOLOv4的无人机目标检测方法

针对无人机平台由于内存、算力有限而导致检测模型部署困难、检测速度降低的问题,提出了一种基于YOLOv4的改进模型.首先,为了减小模型内存占用、节省计算资源,根据目标尺寸特点,对YOLOv4原模型的预测层进行了改进,将三尺度检测模型改进为双尺度检测模型;其次,对双尺度检测模型进行正常训练,然后将其BN层的缩放因子进行稀疏训练,最后通过裁剪一定比例的通道数以再次减小模型内存占用提升检测速度.实验分析表明,在与原模型检测效果基本一样的情况下,最终改进模型的内存占用减少了60％,仅103 M,FPS提升了35％,达到了58帧/s.     

一种提高视频车速检测精度的方法

通过对基于虚拟线的机动车视频测速方法的精度分析,提出了一种提高测速精度的方法.该方法在车道上定义一个矩形检测区,该检测区在视频图像上呈现出梯形,采用二维图像标定方法将梯形图像区域中任意一点的图像坐标准确地映射为检测区内对应点的地面坐标.通过在车辆经过检测区的视频图像中选取适当的图像帧,可以获得车辆的位移及对应的时间间隔,从而获得较高精度的速度测量结果.