基于深度学习的目标检测算法综述

目标检测的任务是找出图像中所有感兴趣的目标（物体）,确定它们的位置和类别。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,使目标检测成为计算机视觉领域中最具有挑战性的问题之一。该文综述了深度学习在目标检测方面有代表性算法的进展与展望。针对基于候选窗口（Region Proposal）的Two-Stage检测框架和基于回归的One-Stage检测框架,分别对有代表性的检测算法进行重点介绍,做出对比与总结;最后讨论目标检测领域存在的困难与挑战,并对未来目标检测方向的发展趋势进行展望。     

基于深度学习的目标检测算法研究进展

目标检测是计算机视觉领域的核心任务之一。随着深度学习的迅猛发展,基于深度学习的目标检测技术已经成为该领域的主流算法,被广泛应用于人脸检测、车辆检测、行人检测以及无人驾驶等领域。本文系统总结了当前基于深度学习的目标检测算法的研究进展,对各算法的优、缺点及其在VOC2007和COCO数据集上的检测结果进行了全面分析,并对基于深度学习的目标检测算法的未来发展进行了展望。     

基于改进单步多框目标检测的道路小目标检测算法

针对SSD目标检测算法运用于自动驾驶领域时,在检测道路上小目标容易发生漏检错检的情况,本文提出一种改进的SSD目标检测算法。本算法首先在SSD模型的主干网络中嵌入感受野增强模块,扩大特征层的感受野,以获取更多小目标的特征信息;然后在主干网络后加入4次U型特征提取结构,构建4个不同层级的特征金字塔,最后合并成一个多层级特征金字塔用于检测。结果表明,该改进SSD模型在KITTI数据集上的检测精度较原始SSD模型提升了6%,检测速度达到了每秒27.9帧。在兼顾检测效率的同时,有效提高了对道路上小目标的检测精度,更适用于自动驾驶领域。     

运动目标检测与跟踪算法的研究

运动目标检测与跟踪的算法一直以来是计算机视觉领域中的核心课题,也是智能视频监控中的关键技术。它主要是包含了图像处理、模式识别、人工智能等领域内的成果。着重研究运动目标检测与跟踪的算法[13],并通过编程实现方法的有效性。在运动检测方面,主要应用的算法包括背景差分法、帧间差分法以及光流法,指出了这些算法的优缺点以及适用范围。在运动目标跟踪方面,主要研究了特征匹配跟踪算法中的Mean Shift算法[19]。     

视频监控领域深度特征编码的行人检测算法

由于高清视频监控领域现有行人检测算法在复杂背景下检测准确率不高且检测实时性不强,提出了一种新颖的深度特征行人检测算法,该算法利用聚合通道特征模型对监控高清图像进行预处理,筛选出具有显著特性的疑似目标,大大降低目标检测的数量;然后对获取的疑似目标区域进行尺度校正与特征提取,并输入到深度模型中进行深度特征编码,提高特征的表征能力;最后输入到LSSVM分类模型,得到最终的行人检测结果。仿真实验结果显示所提行人检测算法在保证检测准确率的同时,具有较高的检测效率。     

目标检测在电力巡检中的应用与发展趋势

电力巡检是保障电力稳定输送的重要因素.随着无人机巡检在电力巡检领域的广泛应用,产生大量的巡检图像需要人工进行检测.由于工作强度高、效率低且容易受人为因素影响使检测效果参差不齐.因此,基于计算机的目标检测算法对巡检数据进行处理十分必要.首先介绍基于传统特征提取目标检测和基于深度学习目标检测以及它们在电力巡检的应用;其次从目标检测应用在电力领域的趋势出发,具体探讨基于深度学习目标检测技术在电力巡检的应用前景;最后对巡检数据集的建立、网络模型轻量化和检测方法三个关键问题进行了重点阐述.     

监控视频异常检测:综述

监控视频在社会安全领域具有重要应用。该文对经典和新兴的监控视频异常检测算法进行分类和总结。首先,依据算法的3个属性,算法的发展阶段、算法的模型类型、算法的异常判别标准,将算法分类并逐类概述。然后,将不同类别的算法进行关联对比,分析不同模型的优缺点以及聚类判别与重构判别在不同发展阶段的特点。最后,提炼了领域内常用的模型假设与相关知识、汇总了不同算法的异常检测效果,并对未来的研究方向进行了探讨和展望。     

实时视频对象识别与计数系统的模型和算法设计

动态视频对象的识别与检测是计算机图像处理领域中的一个前沿课题。该文提出了一种利用实时视频图像识别技术 ,对无规则行进队伍的人员进行检测与统计的系统模型和算法设计。基于颜色模型转换、减影、膨胀、腐蚀、聚类、匹配、跟踪等技术 ,实现了对特定检测区域内运动对象的识别、检测和计数。着重讨论了系统的设计原理和实现方法 ,以及对象运动的物理模型和多目标识别跟踪算法。该系统于1998年开始成功地应用于毛主席纪念堂 ,对每日的瞻仰人数进行实时统计 ,计数误差小于 3% ,系统工作稳定可靠     

基于生成对抗网络的多目标行人跟踪算法

多目标跟踪领域中,在背景复杂、目标遮挡、目标尺度和姿态变换等情况下,容易出现目标丢失、身份交换和跳变等问题.针对这些问题,提出了一种基于检测的多目标跟踪算法,使用改进的YOLO人体人脸关联算法,对当前帧待检目标进行分类和位置检测,使用生成对抗网络构建特征提取模型,学习目标的主要特征以及细微特征,再运用生成对抗网络生成多目标的运动轨迹,最终融和目标的运动信息和外观信息,得到跟踪目标的最优匹配.在MOT16数据集下的实验结果表明,提出的多目标跟踪算法具有较高的精确度和鲁棒性,对比目前身份交换和跳变最少的算法,跳变的次数少了65%,准确度提高了0.25%.     

基于稀疏表示模型的SAR图像目标检测算法

针对合成孔径雷达（synthetic aperture radar,SAR）图像可视性差、目标区域小以及特征不明显等特性对目标检测造成的困难,将稀疏表示模型应用于SAR图像目标检测,提出一种基于稀疏表示模型的SAR图像目标检测算法。首先,利用K—SVD算法训练样本提取对样本最具描述能力的SIFT特征形成字典;其次,通过将进化机制和稀疏表示结合,逐步提取整幅图像中含有目标的图像块;最后,输出稀疏表示误差小于阈值的图像块的位置作为目标检测的结果。实验结果表明,与传统目标检测算法相比,该算法在检测率和运行效率方面均有一定的提高,取得了较好的效果。