基于Darknet框架下YOLO v2算法的车辆多目标检测方法

针对道路车辆目标检测传统方法需随场景变化提取不同特征, 检测率较低与鲁棒性差的问题, 提出了一种基于Darknet框架下YOLO v2算法的车辆多目标检测方法; 根据目标路段场景与车流量的变化对YOLO-voc网络模型进行改进, 基于ImageNet数据集和微调技术获得分类训练网络模型, 对训练结果和车辆目标特征进行分析后进一步调整改进的算法参数, 最终获得更适合于道路车辆检测的YOLO-vocRV网络模型下车辆多目标检测方法; 为验证检测方法的有效性和完备性, 采用不同车流密度进行了车辆多目标检测试验, 并与经典YOLO-voc、YOLO9000模型进行了对比; 采用改进YOLO-vocRV网络模型, 选取20 000次迭代, 分析了多目标检测结果。试验结果表明: 在阻塞流样本条件下, YOLO9000网络模型检测率为93.71%, YOLO-voc网络模型检测率为94.48%, 改进YOLO-vocRV网络模型检测率达到了96.95%, 因此, 改进网络模型YOLOvocRV检测率较高; YOLO-vocRV模型精确度和召回率均聚集在0.95, 因此, 在获得较好精确度的条件下损失的召回率明显较小, 达到了很好的折中; 采用混合样本训练后, 基于YOLO-vocRV模型的车辆多目标检测方法的检测率在自由流状态下可达99.11%, 同步流状态下可达97.62%, 阻塞流状态下可达到97.14%, 具有较小的误检率和良好的鲁棒性。      

基于Dense_YOLO的室内目标异常检测

针对室内场所,运用目标检测等算法实现对监控视频的实时异常检测.为提高检测效果,对YOLO v2模型进行了三个方面的改进:利用稠密网络中特征融合方式改进网络结构;使用K-means++对目标框进行聚类改进网络参数;利用迁移学习的方式对网络进行训练;改进最终得到Dense_YOLO目标检测模型.实验结果表明Dense_YOLO正确率达到了93.66%,相比YOLO v2提高了7.06%.针对人、宠物、贵重物品这几种常见的监控目标,利用Dense_YOLO对目标状态进行异常检测,并分别在一般场景、光照强、光照弱、目标被遮挡、目标较小等不利条件下进行测试,区域入侵检测、物品移动/移出检测两种特定目标异常检测功能分别到达92.73%、90.07%的平均正确率.     

基于PReNet和YOLOv4融合的雨天交通目标检测网络

为提高恶劣雨天交通环境下车辆目标检测精度，提出一种基于PReNet和YOLOv4融合的深度学习网络DTOD-PReYOLOv4，融合了改进的图像复原子网D-PReNet和改进的目标检测子网TOD-YOLOv4;将多尺度膨胀卷积融合模块和添加了挤压激励块的注意机制残差模块引入PReNet，获得的D-PReNet可更有效提取雨纹特征; 使用轻量化的CSPDarknet26代替YOLOv4骨干模块CSPDarknet53，为YOLOv4的颈部路径聚合网络模块添加复合残差块，同时采用k-means++算法取代原始网络聚类算法，获得的TOD-YOLOv4可在改善交通小目标检测精度的同时进一步提高检测效率; 基于构建的雨天交通场景车辆目标数据集VOD-RTE对DTOD-PReYOLOv4进行了验证。研究结果表明:与当前YOLO系列主流网络相比，提出的DTOD-PReYOLOv4对原浅层ResBlock_body1叠加残差块，可以更好地提取分辨率较小的特征; 对原深层ResBlock_body3、ResBlock_body4和ResBlock_body5进行裁剪，获得ResBlock_body3×2、ResBlock_body4×2和ResBlock_body5×2，可以有效降低卷积层冗余，提高内存利用率; 为PANet中的Concat+Conv×5添加跳跃连接形成CRB模块，可以有效缓解网络层数加深引起的小目标检测效果退化问题; 采用k-means++算法，在多尺度检测过程中为较大的特征图分配更加适合的较小先验框，为较小的特征图分配更加适合的较大先验框，进一步提高了目标检测的精度; 与MYOLOv4相比，精确率和召回率的调和平均值、平均精度、检测速度分别提升了5.02%、6.70%、15.63帧·s-1，与TOD-YOLOv4相比，分别提升了3.51%、4.31%、2.17帧·s-1，与YOLOv3相比，分别提升了46.07%、48.05%、18.97帧·s-1，与YOLOv4相比，分别提升了31.06%、29.74%、16.26帧·s-1。      

顾及小目标特征的视频人流量智能统计方法

人流量统计对智能安防等领域具有重要研究价值. 针对视频监控系统中人流量统计准确率较低的问题,提出一种顾及小目标特征的视频人流量智能统计方法,重点研究用于小目标检测的Faster R-CNN （Faster region-convolutional neural network）改进算法、运动目标关联匹配以及双向人流量智能统计等关键技术,根据人头目标的小尺度特点对Faster R-CNN网络结构进行适应性改进,利用图像浅层特征提高网络对于小目标的特征提取能力,通过基于轨迹预测的跟踪算法实现运动目标的实时追踪,同时设计双向人流量智能统计算法,以实现人流量高准确率统计;为证明方法的有效性,在密集程度不同的场景中进行了测试. 测试结果表明:改进的目标检测算法相较于原始算法,在Brainwash测试集和Pets2009基准数据集上的平均准确率分别提高了7.31%、10.71%,视频人流量智能统计方法在多种场景下的综合评价指标F值均能达到90.00%以上,相较于SSD-Sort算法和Yolov3-DeepSort算法,其F值提高了1.14% ~ 3.04%.      

基于YOLOv3的变速箱油封座缺陷检测

针对小型汽车变速箱后油封座缺陷检测精度低、检测速度慢、目标不敏感等问题,提出改进YOLOv3检测算法.在YOLOv3算法基础上,将第11层浅层特征与网络深层特征融合,生成尺度为104×104的新特征图层,提取更多小缺陷目标特征;再将BN层参数合并到卷积层,共用连通数据减少占用显存等空间.结果表明:文中算法能有效识别有缺...     

基于轻量化网络和注意力机制的智能车快速目标识别方法

为提高智能车在真实环境中的实时检测能力，改善复杂环境下检测效果不佳的问题，本文提出一种基于轻量化网络和注意力机制的智能车快速目标识别方法。首先，为了减少网络计算参数和提升目标识别算法的推理速度，提出利用GhostNet加速YOLOv4的特征提取；其次，为了提高复杂场景下对道路目标的识别精度，在GhostNet和特征金字塔部分添加结合软阈值化改进的注意力模块；最后，为了验证本文提出方法的有效性，选取Pascal VOC、KITTI公开数据集和自制城市道路数据集进行实验对比。与其他目标检测算法在精度和速度上进行比较，结果证明，本文方法在平均检测精度提升1.7%的情况下，模型参数量降低到原来的18.7%，检测速度提升了 66%，检测速度和精度均优于其他算法，可满足智能车的实时感知需求。     

基于金字塔多尺度融合的交通标志检测算法

为了解决传统交通标志检测算法针对小目标交通标志检测时存在误检与漏检的问题,提出了一个基于金字塔多尺度融合的交通标志检测算法;为了提高算法对交通标志的特征提取能力,引入ResNet残差结构搭建算法的主干网络,并增加网络浅层卷积层数,以提取较小尺度交通标志目标更准确的语义信息;基于特征金字塔结构的思想,在检测结构中引入4个不同预测尺度,增强深层和浅层特征融合;为了进一步提高算法检测精度,引入GIoU损失函数定位交通标志的锚点框,利用k-means算法对交通标志标签信息进行聚类分析并生成更精准的先验框;为了验证算法的泛化性与解决试验所用数据集TT100K的类间不平衡问题,增强与扩充了数据集。试验结果表明:本文算法的精确率、召回率与平均精度均值分别达到了86.7%、89.4%与87.9%,与传统目标检测算法相比有显著提高;多尺度融合检测机制、GIoU损失函数与k-means的引入能够不同程度提高算法的检测性能,使算法检测精确率分别提升4.7%、1.8%与1.2%;提出算法针对不同尺度交通标志检测时均有更优越的性能表现,在TT100K数据集中的(0, 32]、(32, 96]与(96, 400]尺度下的检测召回率分别达到90%、93%与88%;与YOLOv3相比,提出算法在不同天气、噪声与几何变换等干扰下均能实现对交通标志的正确定位与分类,证明了提出算法具有良好的鲁棒性与泛化性,适用于道路交通标志检测。      

基于加权密集连接卷积网络的快速交通标志检测

为提高算法对交通标志快速定位的准确性，改善现有检测算法在复杂交通环境下检测效果不佳、实时性较差的问题，提出一种基于动态加权密集连接卷积网络的交通标志快速检测算法. 选用YOLOv2 作为基础网络，通过增加动态加权密集块对各层特征图的权重进行调节，实现深层高语义信息和浅层低语义信息的融合；使用MobileNet 轻量化网络结构，通过可分离卷积操作有效降低网络的计算成本；针对池化操作中图像特征丢失严重问题引入 CBAM模块，利用通道注意力和空间注意力信息增强关键特征的表达能力. 实验结果表明，本文算法在GTSDB数据集上分别达到了96.14%的检测精度和139 frame/s 的检测速度，在保证较高检测精度的同时，能够有效提高检测效率，满足实时检测要求.     

改进SSD模型在高分二号遥感影像中高速公路收费站位提取的应用

以高分二号遥感影像中的高速公路收费站为研究对象，选取了北京、山西、河南、广东、福建5个省市2019年的高速公路收费站点位和0.8 m遥感影像，通过图像预处理、样本标注、裁切、数据增强、样本集划分的步骤制作训练样本集；引入“多尺度特征融合”的方法对SSD目标检测模型进行改进，通过增加“转置卷积”和“拼接”操作，将高层次特征图像的语义特征赋予低层次特征图像，以增强上采样质量与特征融合能力，从而提升了模型对小目标收费站的检测效果；将改进SSD模型用于2019年福建省高分二号影像中的收费站点位提取，沿福建省高速公路路网矢量对影像进行自动切片，将切片输入模型中进行目标检测；保留有收费站的切片，使用非极大值抑制去除多余的检测框，将剩余的检测框的坐标变换为中心点的坐标，可以直接输出得到高速公路收费站的中心点矢量，从而实现对于收费站点位的端到端自动化提取。研究结果表明:改进SSD模型的精度、召回率及二者的调和平均数分别为0.86、0.88和0.87，均优于传统的SSD, VGG, Faster R-CNN和特征金字塔网络模型。可见，对收费站点位的自动提取可以大大提高公路管理者的工作效率，有效满足公路管理者的实际工作需求。      

基于YOLO的铁路侵限异物检测方法

基于现有的铁路侵限异物检测方法只能识别出静态障碍物且识别速度较慢的问题,提出一种基于YOLO算法的铁路侵限异物检测方法.针对铁路侵限异物检测的特殊性,合理设计YOLO模型结构.采用24个卷积层、4个最大池化层及2个全连接层完成异物图像的提取、降维、识别输出,并使用实拍疑似侵限异物图片对YOLO模型进行预训练,达到学习及降低过拟合的目的,最终实现了异物定位及识别的功能.实验中通过对1 660张单幅疑似铁路侵限异物图片进行检测,结果表明,该方法对正常曝光的侵限异物图片检测准确率较高,而且在识别速度方面较AlexNet及Adaboost算法具有较大的优越性.     

基于金字塔特征融合的二阶段三维点云车辆检测

针对三维点云鸟瞰图特征提取不充分导致车辆目标检测性能欠佳问题,本文提出一种基于金字塔特征融合的二阶段三维点云车辆目标检测算法。首先通过降维处理并利用体素占用编码原始三维点云,得到二维特征图输入;然后,利用上采样网络传递高层语义特征,下采样网络传递低层位置特征,构建一阶段金字塔网络结构提取车辆目标特征;最后,通过候选区域提取层得 到不同尺度的候选区域,利用兴趣区域池化层对齐各候选区域尺度,并采用全连接层融合多尺度特征,提取不同感受野下车辆目标特征;此外,在损失函数方面,补充正余弦角度损失并加权到总损失函数中,优化车辆目标航向角预测。基于KITTI公开数据集的实验分析表明,本文算法相较基准网络能够有效补充三维点云鸟瞰图特征提取,在不同难度的检测任务中平均检测精度提高 了5.07%~8.59%。     

基于深度学习的公路货车车型识别

为判断公路货车车型，并提升货车车型识别的速度与精度，提出基于深度学习的方法对公路货车及其轮轴进行精细化目标检测；采用道路监控拍摄和网络爬取的方式获得了16 403张公路货车侧方图像，建立了货车侧方图像数据集，并采用Retinex理论和加入限制对比度的自适应直方图均衡化(CLAHE)等视觉增强方法预处理所采集图像中的光照不均图像和夜视图像；通过理论分析和对比试验选取单阶段检测网络YOLOv3作为公路货车车型识别的目标检测网络，并从调整先验框和模型输入大小以及引入注意力机制3个方面优化了检测模型；针对单帧图像可能同时出现多辆货车的情况，采用基于目标位置信息挖掘的算法分析了货车与轮轴的位置信息，提出一种通过轮轴中心点与货车预测框位置信息判定公路货车与轮轴隶属关系的方法。研究结果表明：图像经过预处理可显著增强车辆的特征信息，优化后检测模型的网络性能得到提高，通过对目标位置信息的挖掘与利用可以很好地解决货车车型判定问题；优化后的检测模型实时检测速度可达47帧·s^-1,对公路货车车型的识别综合准确率达到了94.4%。该方法实现了对公路货车车型的无接触、快速和准确识别，为公路货...     

基于视频深度学习的铁路周界入侵检测算法研究

基于视频智能分析的铁路周界入侵检测算法相比于雷达、振动光纤，具有成本低、误报率低的优点. 针对视频中存在不同分辨率目标的问题，提出一种改进的Cascade Mask RCNN( CMR)模型，使用级联结构获得目标的准确定位. 为增强模型对小目标的检测能力，在原始模型的基础上，增加基于特征金字塔网络(FPN)的多尺度特征提取模块和基于空洞金字塔汇聚(ASPP)子网络的空间上下文增强模块. 在实际铁路周界入侵场景视频中验证了模型的有效性. 结果表明，该模型可实现不同场景下的铁路周界入侵检测，相较于原始模型，新模型对小目标检测的F-measure 提高了0.24. 模型既解决了不同场景下铁路周界入侵检测问题，又有效地提高了视频智能分析对小目标检测的准确率.     

���ڸĽ�����ɫ������ֱ��ͼ���µ�Mean-Shift�㷨

为了提高复杂环境下智能视频监控对运动目标跟踪的可靠性,提出一种基于改进的颜色特征和直方图更新的Mean-Shift跟踪算法.该算法利用像素点局部颜色变化作为跟踪目标像素点特征,弥补单一颜色值特征对目标表征的不足;并根据Mean-Shift跟踪结果和目标匹配程度对目标直方图进行更新,保证在目标姿态和大小发生变化时目标特征直方图的有效性.实验结果表明：与传统Mean-Shift算法相比,改进的颜色特征减小了相似背景像素对运动目标的干扰,目标直方图的更新提高了Mean-Shift算法对目标姿态和大小改变的鲁棒性.算法提高了基于颜色特征的Mean-Shift算法对复杂环境中运动目标进行实时跟踪的可靠性.