基于YOLO改进算法的安全帽和口罩佩戴自动同时检测

针对工地、危险区域等场景需要实现同时佩戴安全帽与口罩的自动检测问题,提出一种改进的YOLOv3算法以提高同时检测安全帽和口罩佩戴的准确率。首先,对网络模型中的聚类算法进行优化,使用加权核K-means聚类算法对训练数据集聚类分析,选取更适合小目标检测的Anchor Box,以提高检测的平均精度和速度;然后,优化YOLO网络内部的Darknet特征网络层,将4倍降采样提取的特征图进行2倍上采样,再与2倍降采样进行卷积融合,与4倍降采样、8倍降采样以及16倍降采样一同输送到后续网络中,来达到降低小目标的漏检概率。实验结果表明:改进后的算法同时检测安全帽和口罩佩戴的平均准确率比原算法提高了11.3%。     

基于区域卷积网络的行驶车辆检测算法

为解决多种天气与多种场景下主干道路行驶车辆检测存在的实时性、泛化能力差、漏检、定位不准确等问题,研究了基于TensorFlow深度学习框架的区域卷积神经网络(Faster R-CNN)算法,通过引入VGG16神经网络模型,优化ROI Pooling Layer,并采用联合训练方法,得到改进的算法模型。采用UA_CAR数据集进行模型训练,实现行驶中的车辆检测,测试结果与优化前Faster R-CNN比较,MAP提高了7.3个百分点,准确率提高了7.4个百分点,检测用时0.085 s,提高了对多种环境与场景的适应性。     

一种优化的手写字符自动分割算法

在手写字符自动识别时,由于手写字符中存在字符大小间距不一、粘连、断点,以及不连贯等情况,给字符自动分割识别带来极大的困难。针对该问题,提出了一种优化的手写字符自动分割算法。该方法依据滴水算法的原理,结合CFS(color filling segmentation)做初步分割;再根据分割字符的连续黑色像素点的宽度判断是否为粘连字符,若为粘连字符,则在分割字符图片02倍宽度与08倍宽度之间扫描黑色像素位置;结合分割图片中间位置来确定滴水算法起始滴落点,解决特殊情况下的起始滴落点的定位不精准问题。经手写字符识别实验结果表明,优化后手写字符分割准确率比传统方法分割准确率提高了116%,且有良好的通用性,可提高手写字符的单个识别率。