基于改进YOLOv5算法的车辆目标检测

为了解决车辆目标检测中准确率低的问题,提出了一种基于改进YOLOv5算法的车辆目标检测.改进后的YOLOv5算法主要是在原来的基础上通过K-means聚类的方法对数据集中的目标边框进行重新聚类、并将CIoU损失函数和DIoU＿nms应用于YOLOv5算法来提高目标识别效果.改进后的YOLOv5算法,目标检测mAP达到了85.8%,比改进前的YOLOv5算法提升了1.3%.     

改进YOLOv3的行人车辆目标检测算法

针对YOLOv3(you only look once version 3)对中小目标检测效果不理想的问题,提出改进算法DX-YOLO(densely ResneXt with YOLOv3).首先对YOLOv3的特征提取网络Darknet-53进行改进,使用ResneXt残差模块替换原有残差模块,优化了卷积网络结构;...     

改进YOLOv3算法的车辆信息检测

车辆信息检测是车型识别在智慧交通领域中的首要任务。针对现有的车辆信息检测技术在检测速度、精度以及稳定性方面存在的问题,提出了基于YOLOv3的深度学习目标检测算法——YOLOv3-fass。该算法以DarkNet-53网络结构为基础,删减了部分残差结构,降低了卷积层的通道数,添加了1条下采样支路和3个尺度跳连结构,增加了一个检测尺度,并通过K-均值聚类与手动调节相结合的方法计算出12组锚框值。最后通过迁移学习机制对YOLOv3-fass算法进行微调。在自研的车辆数据集上,YOLOv3-fass算法与YOLOv3、YOLOv3-tiny、YOLOv3-spp算法以及具有ResNet50和DenseNet201经典网络结构的算法做了对比实验,结果表明YOLOv3-fass算法能够更精准、高效、稳定地检测到车辆信息。     

基于改进YOLOv3算法的水下小目标分类与识别

针对声纳图像中小目标检测识别率低、虚警率高的问题, 提出一种改进的 YOLOv3 算法. 改进的 YOLOv3 网络在原始 YOLOv3 的基础上进行优化, 改变网络的层级连接, 融合更浅层的特征与深层特征, 形成新的更大尺度的检测层, 提高了网络对水下小目标检测的能力; 同时, 使用线性缩放的 $K$-means 聚类算法优化计算先验框个数和宽高比, 提高了先验框与 ground truth box 之间的匹配度, 较原始 YOLOv3 算法均值平均精度提高了 7%. 实验结果表明, 所提出的改进 YOLOv3 算法能够有效分类与识别小目标且有更高的准确率和更低的虚警率, 同时保持了原始 YOLOv3 算法的实时性.     

基于改进YOLOv5的拥挤行人检测算法

针对密集场景下行人检测的目标重叠和尺寸偏小等问题,提出了基于改进YOLOv5的拥挤行人检测算法。在主干网络中嵌入坐标注意力机制,提高模型对目标的精准定位能力;在原算法三尺度检测的基础上增加浅层检测尺度,增强小尺寸目标的检测效果;将部分普通卷积替换为深度可分离卷积,在不影响模型精度的前提下减少模型的计算量和参数量;优化边界框回归损失函数,提升模型精度和加快收敛速度。实验结果表明,与原始的YOLOv5算法相比,改进后YOLOv5算法的平均精度均值提升了7.4个百分点,检测速度达到了56.1帧/s,可以满足密集场景下拥挤行人的实时检测需求。     

基于卡尔曼滤波多目标追踪的家用精子活力检测算法研究与验证

针对传统精液分析方法存在的主观性差异、操作繁琐和不适合便携式家用检测等问题,研究并验证了一种基于卡尔曼滤波多目标追踪技术的精子活力检测系统算法. 首先,通过叠加平均法,获取静态精子数量,根据三帧差法获取运动精子质心位置;然后,使用卡尔曼多目标追踪方法绘制运动目标轨迹,再根据筛选条件获取运动精子数量;最后,综合静态与运动精子数量评价精子活力. 通过对实际采集的7组样本图像进行分析,研究结果表明：该系统所检测精子的活力值与人工检测的活力值相差较小,基本满足了家用精子活力检测的需求.     

基于改进YOLOv5的露天矿山目标检测方法

目前实地部署的商用采矿无人系统大都采用激光雷达和毫米波雷达作为感知传感器,难以准确识别障碍物的类型,尤其是较远处障碍物,不利于正确决策,从而影响无人作业的安全和整体效率.针对这些问题,本文采集了不同场景的矿山数据,并提出了一种基于YOLOv5S的图像目标检测算法.该算法主要进行了三方面改进：首先,使用不同的填充策略和空间注意模块优化采样方法,提高了模型的采样能力;其次,解耦Head预测分支,让每个分支专注自己的任务;最后,优化损失函数,耦合定位和分类,实现定位和分类任务的联合优化.试验表明,三种方法在保持实时性的前提下,可将YOLOv5S的平均精度（Average Precesion, AP）从49.9%提高至58.9%,实现白天、夜间场景下不同尺度的障碍物识别.     

采用改进YOLOv3的高分辨率遥感图像目标检测

由于高分辨率遥感图像存在目标排列密集、尺寸差别大等情况,传统算法难以准确地对其进行目标检测。在YOLOv3算法的基础上,提出一种改进的高分辨率遥感图像目标检测算法(remote sensing-YOLO,RS-YOLO)。利用K-means聚类算法对数据集进行聚类,重新设计适合遥感图像的先验框; 引入高斯模型计算预测框的不确定度,以提高网络对预测框坐标的准确度; 使用弱化的非极大值抑制算法(soft non-aximum suppression,Soft-NMS)对预测框进行处理,增强算法对密集排列目标的检测能力。实验结果表明,改进后的算法能够对高分辨率遥感图像进行有效的目标检测,以NWPU VHR-10数据集为例,RS-YOLO的平均检测精度达到了87.97%。     

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YOLOv3的交通标志检测

针对交通标志检测小目标数量多、定位困难及检测精度低等问题,本文提出一种基于改进YOLOv3的交通标志检测算法.首先,在网络结构中引入空间金字塔池化模块对3个尺度的预测特征图进行分块池化操作,提取出相同维度的输出,解决多尺度预测中可能出现的信息丢失和尺度不统一问题;然后,加入FI模块对3个尺度特征图进行信息融合,将浅层大特征图中包含的小目标信息添加到深层小特征图中,从而提高小目标检测精度.针对交通标志数据集特点,使用基于GIoU改进的TIoU作为边界框损失函数替换MSE函数,使得边界框回归更加准确;最后,通过k-means++算法对TT100K交通标志数据集进行聚类分析,重新生成尺寸更小的候选框.实验结果表明,本文算法与原始YOLOv3算法相比mAP提升11.1%,且检测每张图片耗时仅增加6.6 ms,仍符合实时检测要求.与其他先进算法相比,本文算法具有更好的检测精度和检测速度.     

基于Kalman滤波和改进的MeanShift算法的目标跟踪

MeanShift算法因为简单性和稳定性在目标跟踪中得到广泛应用,但是当目标和背景的颜色模型比较接近时,传统的MeanShift算法由于缺少空间信息,且经典的相似性度量函数不易区别,导致跟踪失败。为了克服上述缺点,采用基于空间颜色特征和新的相似性度量的MeanShift算法,并提出一种融合Kalman滤波器和改进的MeanShift算法的目标跟踪方法。首先,利用改进的MeanShift算法计算出当前帧中目标的准确位置,然后使用Kalman滤波器去预测下一个初始搜索位置,用于下一帧中MeanShift迭代,最后实现对目标的跟踪。实验结果表明,该算法可以准确地跟踪目标,并且跟踪的准确率优于传统的MeanShift算法或者Kalman和传统Meanshift的融合算法。     

基于卡尔曼滤波器的机动目标跟踪仿真

将卡尔曼（Kalman）滤波器的变维滤波算法应用于雷达数据处理中,对机动目标进行跟踪,得出机动目标的滤波数据曲线,并对目标进行了拦截仿真。仿真结果表明该方法能估计出目标的运动特征并对运动目标拦截成功。     

用自适应扩展卡尔曼滤波跟踪水下目标的算法研究

针对短基线声纳系统跟踪水下目标的问题,建立了状态方程和观测方程,提出了一种自适应扩展卡尔曼滤波的跟踪算法,该算法包含八个基本步骤。将声波传输时延转换为水下目标的距离,用卡尔曼滤波的方法对数据中的噪声进行滤波。对目标的匀速航行和机动航行进行了仿真实验,实验结果表明了该算法的正确性和有效性。最后将该算法用于水下目标的实测数据,收到了良好的效果。     

仅有角度测量跟踪问题中的中央差分算法改进

为解决仅有角度测量的目标跟踪系统初始误差大、可观性弱、精确实时跟踪困难等问题,研究了一种改进中央差分卡尔曼滤波算法。仿真结果表明,同传统估计方法相比,该算法精度高,收敛速度快,且计算量适中,易于在实战中实时跟踪。     

基于Kalman 滤波的Camshift 运动跟踪算法

提出将Camshift与Kalman滤波相结合的方法.首先,通过二次搜索来调整搜索窗口的位置和大小,保证Camshift跟踪的可靠性;然后,在Camshift算法的基础上,通过卡尔曼滤波对搜索窗口进行运动预测,保证实时跟踪.实验结果表明,在图像背景复杂且目标不规则运动的情形下,采用此方法仍能有效地跟踪到目标.在真实视频数据上的实验结果表明该方法具有很好的应用前景.     

用于弹道目标跟踪的有限差分扩展卡尔曼滤波算法

针对目前常用的滤波算法不能同时做到精确和高效跟踪目标的缺点,提出一种有限差分扩展卡尔曼滤波(FDEKF)算法用于再入阶段的弹道目标跟踪.该算法应用有限差分运算得到滤波的验前、验后误差协方差矩阵,避免了非线性函数求导运算,以及Jacobian阵和Hessian阵的计算,降低了计算难度,扩大了应用范围,增强了滤波过程的收敛性.Mome Carlo 数值仿真表明,FDEKF算法与扩展卡尔曼滤波(EKF)算法和无味卡尔曼滤波(UKF)算法相比较,在跟踪精度上比EKF算法提高了约20%,与UKF算法相当,在计算复杂度上比EKF算法稍有增加,但比UKF算法低约39%.这说明FDEKF算法在计算量增加不多的情况下,滤波精度有显著提高.     

迭代无味卡尔曼滤波的目标跟踪算法

针对目标跟踪迭代无味卡尔曼滤波(IUKF)算法中跟踪精度较差的问题,提出一种基于状态扩展技术的改进迭代无味卡尔曼滤波(IIUKF)算法.新算法首先将观测噪声扩展进状态,构造关于扩展状态的零噪声观测方程,然后在观测迭代过程中将最新的扩展状态后验估计代入更新公式,进行观测迭代更新.相比IUKF算法,IIUKF算法不仅形式上更为简洁,而且避免了IUKF算法中先验估计和观测噪声非统计正交的问题,滤波精度更高.数值仿真表明,IIUKF算法的跟踪误差比IUKF算法减小了20%以上.     

结合目标检测与特征匹配的多目标跟踪算法

针对多目标跟踪算法在遮挡频繁的场景下存在目标关联准确性低的问题,提出一种结合检测与特征匹配的多目标跟踪算法. 该算法引入检测精度较高的YOLOv5作为多目标跟踪的检测器,能够精准定位目标,有效提高跟踪精度;在面对目标间遮挡时,通过专门设计特征匹配模型提取更为细致的特征,能够有效降低跟踪时目标ID的切换次数.在MOT16数据集上对跟踪性能进行评估,结果表明:所提方法可以有效缓解目标遮挡,实现稳定跟踪.     

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.