目标检测

摘要： 以YOLOv5 s网络模型为基础,引入注意力机制CBAM模块,基于Ghost卷积模块重构网络模型的卷积操作,提出一种面向扶梯不安全行为的改进型深度学习检测算法.然后,在自主收集的扶梯不安全行为数据集上对其进行训练评估.结果表明,所提算法在检测精度有所提高的同时,大幅减少了检测所需的参数量和计算量.

摘要： 日冕物质抛射(Coronal Mass Ejection,CME)是一种强烈的太阳爆发现象,对空间天气和人类生活有巨大的影响,因此,日冕物质抛射检测对预报日冕物质抛射、保障人类的生产生活安全具有重要意义.现有的日冕物质抛射检测多采用人为定义特征和界定阈值等方法.由于人为定义特征不能准确表征日冕物质抛射且具有普适性的阈值难于选择,现有的方法对日冕物质抛射的检测效果有待提高.提出一种基于Faster R-CNN(Faster Region-based Convolutional Neural Networks)的日冕物质抛射检测算法.该方法首先结合CDAW(Coordinated Data Analysis Workshop Data Center),SEEDS(Solar Eruptive Even Detection System)和CACTus(Computer Aoded CME Tracking software package)3个著名的日冕物质抛射目录信息,人工标注了包含9113幅日冕图像的数据集,然后根据日冕物质抛射的图像特征较自然图像少、目标尺寸与自然图像有差异等特点,在特征提取和锚点选择方面对Faster R-CNN进行改进.以2007年6月的日冕物质抛射标注数据为测试集,本文算法检出了全部22个强日冕物质抛射事件和151个弱日冕物质抛射事件中的138个,对日冕物质抛射事件的中心角和角宽度等特征参数的检测误差分别在5°和10°以内.

摘要： 由于深度卷积网络的参数量及计算量过大,多尺度目标检测网络难以快速高精度地部署在许多资源及功耗受限的平台上.为解决此问题,本文基于Python productivity for ZYNQ(PYNQ)框架实现了无预选框检测模型CTiny的IP核设计及异构系统架构部署.首先,提出在卷积核中分段量化整体缩放系数的方式,使得预训练的高精度算法低损地部署于可编程门阵列(field programmable gate array,FPGA)上;其次,基于PYNQ框架实现了CTiny模型的系统搭建,包含ResNet主干网络、反卷积网络和分支检测网络;最后,将图片预处理及后处理等耗时计算从串行的ARM端移入并行的FPGA中,进一步缩减了总处理时长.实验结果表明:在PYNQ-Z2开发板上部署CTiny模型后,本文所提量化方式在公开光学遥感数据集NWPU VHR-10的平均检测精度达到81.60％,相较于截断量化提升了14.27％,实现了部署精简无预选框检测网络的精度低损耗的需求,且后处理的处理时长由ARM端的9.228 s缩减为了FPGA端的0.008 s,提高了检测模型的速度.

摘要： 基于红外相机图像的野生动物目标检测有利于研究和保护野生动物。由于不同种类的野生动物数量差别大,红外相机采集到的野生动物数据集存在种类数量分布不均的长尾数据问题,进而影响目标检测神经网络模型的整体性能提升。针对野生动物的长尾数据导致的目标检测精度低的问题,提出了一种基于两阶段学习和重加权相结合的长尾数据解决方法,并将该方法用于基于YOLOv4-Tiny的野生动物目标检测。首先,采集、标注并构建了一个新的野生动物数据集,该数据集具有明显的长尾数据特征;其次,采用基于迁移学习的两阶段方法训练神经网络,第一阶段在分类损失函数中采用无加权方式进行训练,而在第二阶段提出了两种改进的重加权方法,并以第一阶段所得权重作为预训练权重进行重加权训练;最后,对野生动物测试集进行测试。实验结果表明,在分类损失采用交叉熵损失函数和焦点损失函数下,所提出的长尾数据解决方法达到了60.47%和61.18%的平均精确率均值(mAP),相较于无加权方法在两种损失函数下分别提高了3.30个百分点和5.16个百分点,相较于所提改进的有效样本加权方法在焦点损失函数下提高了2.14个百分点,说明该方法能提升YOLOv4-Tiny网络对具有长尾数据特征的野生动物数据集的目标检测性能。

摘要： 为了降低动态环境对同时定位与建图(simultaneous localization and mapping,SLAM)位姿估计的干扰,提出一种将目标检测网络与ORB-SLAM2系统结合的方法.在帧间估计阶段,使用目标检测网络获取当前帧的语义信息,得到潜在可移动物体边界框,结合深度图像并根据最大类间方差算法分割出边界框内前景,把落在前景中的动态特征点剔除,利用剩下的特征点估计位姿.在回环检测阶段,利用边界框构建图像语义特征,并与历史帧比较,查询相似关键帧,与视觉词袋法相比,该方法查询速度快,内存占用少.在TUM Techni数据集上进行测试,结果表明该方法可以有效提高ORB-SLAM2在高动态场景中的性能.

摘要： 基本的目标检测任务是在图像中识别目标,并标注目标的类别和位置信息。但是,很多应用中的目标检测任务常常带有语义约束,典型的包括单类别目标的数量约束和多个目标之间的空间位置约束。如在基于视频的生产安全监控系统中,目标检测不仅要识别和标定安全防护装备,还要检测这些安全防护装备是否被规范穿戴。提出了一种目标检测中语义约束检查算法,定义一种语义约束的模型,然后对图像进行带有语义信息的目标检测,最终对目标检测结果与语义约束进行一致性判定。以电力施工防护装备检查的实际需求和现场安监视频为例,验证了所提出的目标检测中语义约束检查算法的有效性。

摘要： 为解决未标定摄像头监控视频中行人安全社交距离的估计问题,提出将行人检测、单应性与尺度估计相结合的方法,对单目相机中行人是否处于安全社交距离进行二分类。首先基于YOLOv5s框架,采用MSCO⁃CO数据集中只含有行人的数据训练得到鲁棒性较好的行人检测器;然后根据相机成像模型假设,推导出从场景地面到图像平面的单应性矩阵,再通过人类平均身高和图像行人检测框高度估计从场景地面到图像中行人局部区域的尺度信息,从而在图像上投影出行人椭圆形安全区域;最后通过计算图像中行人安全区域的重叠情况判断其是否违反安全社交距离。实验结果表明,当IoU=0.5时,该方法在MSCOCO只含行人数据的验证集上的行人检测准确率、召回率和AP分别达到81.39%、82.39%和76.52%;在OTC数据集上行人安全社交距离二分类的准确率、召回率和F1值分别达到98.99%、89.12%和93.79%。所提方法在一般监控场景下对行人安全社交距离违反情况的检测性能较佳。

摘要： 针对现有安全帽佩戴检测干扰性强、检测精度低等问题,提出一种基于改进YOLOv5的安全帽检测新算法。首先,针对安全帽尺寸不一的问题,使用K-Means++算法重新设计先验框尺寸并将其匹配到相应的特征层;其次,在特征提取网络中引入多光谱通道注意力模块,使网络能够自主学习每个通道的权重,增强特征间的信息传播,从而加强网络对前景和背景的辨别能力;最后,在训练迭代过程中随机输入不同尺寸的图像,以此增强算法的泛化能力。实验结果表明,在自制安全帽佩戴检测数据集上,所提算法的均值平均精度(mAP)达到96.0%,而对佩戴安全帽的工人的平均精度(AP)达到96.7%,对未佩戴安全帽的工人的AP达到95.2%,相较于YOLOv5算法,该算法对佩戴安全帽的平均检测准确率提升了3.4个百分点,满足施工场景下安全帽佩戴检测的准确率要求。

摘要： 本文针对施工现场人工审核目标数量多、定位困难及审核准确率低等问题,提出了基于卷积神经网络的多场景施工质检。通过对施工多场景进行目标分类及目标标注,利用YoloV3和InceptionV4算法训练得到AI检测模型。在质检模块嵌入AI应用,实现APP端上传的质量控制关键环节的影像资料的在线自动判别,以规范和验证现场施工作业行为,促进施工质量的提升,实现工程建设数字化、智慧化。结果表明,本文提出的施工场景的自动判别相比于人工审核具有更高的准确率与更低的时间花费。

摘要： 随着经济高速发展,经略海洋与海洋经济发展成为国家重要发展战略,港口设施建设和完善对于海洋经济发展有着重要作用。然而,港口重型机械以及轮机操作对作业人员安全有潜在威胁,智能化、信息化码头建设势在必行。近年计算机视觉和深度学习技术快速发展,为港口应用智能视觉技术提供了有力的技术支撑。基于深度学习框架YOLOV4搭建了港口作业人员目标检测平台,在自建港口收集并整理了一个大规模作业人员视频数据集,在该数据集上实现不同作业场景下港口作业人员的精确检测。在自建港口作业人员数据集上将FasterRCNN、SSD和YOLOV4三种目标检测框架进行实验对比,结果表明,YOLOV4的平均检测准确率优于其它目标检测框架。基于YOLOV4的港口作业人员检测系统应用提高了港口信息化建设进度,提高了港口作业人员的安全性。

摘要： 随着目标检测技术在电力巡检任务中的不断推广,对电力巡检采集的各类图像进行自动分析已成为当前电力企业研究的热点方向之一.传统目标检测方法大多建立在机器学习技术之上,在复杂场景下的检测精度有待进一步提高,而基于图像的深度学习方法由于具有理想的检测精度及环境适应性被广泛应用于电力巡检目标检测.针对电力巡检复杂场景下采集到的图像质量差、背景复杂、对比度差等问题,提出了融合图像方向梯度直方图的区域卷积神经网络(HOG-RCNN)的红外图像目标检测方法,在图像进入RCNN网络之前对输入图像进行HOG特征提取,辅助RCNN实现候选区域的选取.算法实验表明,所提方法的检测效果优于单独的RCNN网络.

摘要： 遥感影像都是获取的大像幅地表影像,目标在影像上占比小且离散分布,为了改善遥感影像目标呈边缘分布时存在漏检,以及对小目标不敏感的问题,本文以YOLOv3为网络基础进行检测.首先,基于Gabor滤波器对卷积核进行滤波,构造新的卷积核提取边缘特征;同时对损失函数进行改进,分别对包含目标的检测框位置损失Location Loss、置信度损失Confidence Loss以及分类损失Classfication Loss添加边缘控制因子η,用于加强图像边缘权重;另外增添新的上采样尺度Scale4负责更精细的小目标检测.相比YOLOv3,检测效果有了明显提升,召回率达到88.24％,mAP达到94.15％,分别提高了4.73和2.88个百分点,尤其对于小目标和边缘目标的检测效果明显.

摘要： 遥感图像的目标检测是遥感数据处理中的一类基础性分析问题,目前的研究通常假设训练数据与测试数据属于同分布,但是在现实问题中却常出现训练模型与目标任务不匹配的情况.为了提高目标检测模型的鲁棒性,本文结合迁移学习中的领域自适应方法提出了无监督的域适应Faster R-CNN目标检测算法.改进算法在Faster R-CNN算法的基础上设计了域适应结构,选择作为领域间的差异性度量准则,并基于对抗训练的方式来缩小域间差异.基于亮度差异的域适应实验证明了域适应Faster R-CNN目标检测算法是有效的,相比于原Faster R-CNN算法,检测精度提高了31.84%.

摘要： 在信息化时代,针对考勤趋向于非接触式方向发展,采用经典目标检测方法,完成人脸特征提取和目标检测,最终达到考勤的目的.本目标检测的高校考勤管理系统对输入图像进行去噪,然后提取特征脸向量,继而对已知类别人脸数据使用特征脸向量完成人脸的信息化构建.之后采用相似度度量的方式,度量特征脸向量的相似度,以达到人脸识别的目的.整体采用C/S架构,核心模块采用动态编程语言Python,界面采用跨平台Java swing,实现了以考勤管理为核心的具有高校考勤、监督、提醒等功能的考勤系统.经测试运行,该系统具有硬件依赖度低,界面渲染延时短,运行稳定等特点.

摘要： 针对基于传统方法的遥感图像在轨处理技术,处理准确率低、虚警率高的问题,提出了基于深度学习的遥感图像在轨目标检测技术的方案,并针对卫星遥感图像特点,提出了优化的遥感目标检测方法和对深度网络进行压缩方法,通过在智能处理硬件平台对提出方法进行测试,该方法目标检测准确性高达92％,虚警率低于2％,单元处理速度达到300帧/s以上,可高速高可靠的在轨实现舰船、飞机等目标处理,支持在轨目标检测技术向实用化发展.

摘要： 目标的运动为SAR成像多普勒信息估计带来困难,从而在图像上表现为与静止目标不同的特性,为利用SAR图像实现海上运动船只目标检测带来挑战.本文梳理总结了SAR图像运动船只目标检测技术现状,分析了运动船只目标SAR图像基本特性,面向Sentinel卫星多通道扫描宽幅SAR图像运动船只目标检测方法提出了建议.

摘要： 为了更好地提高SAR图像中舰船目标的检测能力,提出了一种基于SAR图像混合滤波增强的Haar-like特征改进型CFAR检测算法.利用Refined Lee滤波、对数变换、离散小波变换和导向滤波对SAR图像进行预处理,去除SAR图像中存在的相干斑噪声.利用海陆分割屏蔽陆地区域的干扰,并通过基于Haar-like特征的CA-CFAR算法实现对舰船目标的检测.通过高分3卫星图像仿真,证明了提出的方法具备优秀的目标检测性能和较低的计算复杂度,可以在复杂场景中实现对海面上行驶的船舶、岸边停靠的船舶的检测.

摘要： Geiger mode Avalanche Photo Diode(Gm-APD)激光成像雷达三维重构算法的目标检测率、目标还原度等受预处理影响较大,不适当的预处理会导致目标缺失,信噪比降低.预处理通常使用高斯函数或双高斯函数进行卷积,滤波函数中不合适的方差同样会导致目标复原度变低.针对此问题,分析双高斯函数预处理方差组合对探测概率的影响,同时通过Monte Carlo仿真,分析固定激光能量下,固定帧数、不同背景噪声的最佳方差组合变化.拟舍得到不同背景噪声水平下的最佳方差模型.最后使用真实实验进行验证,方差模型求得的最佳方差组合可达到实际90％以上最佳目标还原度.该模型对于实际信号处理具有理论指导作用.

摘要： 为了解决红外电力图像中绝缘子所占比例较小,背景复杂导致绝缘子漏检和定位不准的现象,提出了基于特征选择YOLOv3网络的检测方法.所提出的方法在金字塔形YOLOv3网络的自顶向下采样过程中加入了金字塔特征注意网络.金字塔特征注意网络基于网络高层语义特征图计算特征权重矩阵,并使用该特征权重矩阵过滤掉网络低层细节特征的冗余.最后,将经过特征过滤后的低层特征图和高层语义特征图串联在一起,得到既有精确的绝缘子细节信息又有丰富高层语义信息的特征图.实验结果表明,所提出方法的检测效果要优于原有YOLOv3网络且保留了原有网络实时性好的特点.

摘要： 为了解决红外电力图像中绝缘子所占比例较小,背景复杂导致绝缘子漏检和定位不准的现象,提出了基于特征选择YOLOv3网络的检测方法.所提出的方法在金字塔形YOLOv3网络的自顶向下采样过程中加入了金字塔特征注意网络.金字塔特征注意网络基于网络高层语义特征图计算特征权重矩阵,并使用该特征权重矩阵过滤掉网络低层细节特征的冗余.最后,将经过特征过滤后的低层特征图和高层语义特征图串联在一起,得到既有精确的绝缘子细节信息又有丰富高层语义信息的特征图.实验结果表明,所提出方法的检测效果要优于原有YOLOv3网络且保留了原有网络实时性好的特点.

摘要： 目标检测装置包括：存储单元，用于存储先前学习的关于从输入图像中提取的样本图像的学习信息，该信息包括第一信息和第二信息，第一信息指出从多个特征区/特征量组中所选择出的给定数量的特征区/特征量组的至少一种组合，第二信息指出样本图像是目标或是非目标；特征量计算单元，用于计算属于输入图像中的组合的每个特征区域的输入特征量；量化单元，用于量化已计算的输入特征量从而获得量化的输入特征量；判定单元，用于利用量化的输入特征量和学习信息来判定输入图像是否包括目标。

摘要： 能够不增加存储容量而以低成本实现的校正目标检测装置200，具有：测光区域设定部22，设定长条形状的测光区域；测光部21，检测测光区域的测光信息；亮度曲线生成部23，使将规定的一个方向作为长边方向的长条形状的测光区域，沿与一个方向正交的另一方向进行扫描，由此生成表示在该另一方向上的测光信息的变化的第一曲线，并且，使将另一方向作为长边方向的长条形状的测光区域，沿一个方向进行扫描，由此生成表示在该一个方向上的测光信息的变化的第二曲线；位置计算部30，基于第一曲线及第二曲线的特征点，来计算由车载照相机20获取的拍摄图像所含的用于校正车载照相机的校正目标的位置或该校正目标的规定部位的位置。

摘要： 本发明公开了一种基于级联检测器的目标检测方法、目标检测模型及系统，该检测方法包括以下步骤：S1：采用带有目标标注的训练数据集对目标检测模型进行训练；S2：将待测图片输入训练好的目标检测模型中，通过特征提取、上采样、特征融合后得到不同尺寸的特征图P2、P3、…、Pn；S3：根据特征图Pn预测得到目标位置Bn和类别Cn；根据目标位置Bi从对应的特征图Pi‑1中提取相应的特征进行目标预测，得到目标位置Bi‑1和类别Ci‑1，i＝3～n；S4：以目标位置B2作为最终预测结果；本发明通过对目标候选框的多次迭代回归预测，得到预测更加准确的目标位置，提高了目标检测精度，检测准确度更高。

摘要： 本发明公开了一种运动目标检测方法及实现运动目标检测方法的检测系统，在检测前景像素时，通过对当前像素的邻域像素进行统计，并引入置信因子来判断当前像素是否为前景像素，检测出来的前景目标可靠、空洞较少，可以消除鬼影等影响；在背景模型更新方面，采用背景像素进行模型更新，具有较高的可靠性；基于CSLBP纹理特征对光照的不敏感性，计算当前像素的更新概率，实现了背景模型的自适应更新，很好的适应光照的突然变化，克服了场景动态变化对背景图像的影响，使所建立的背景图像具有较好的鲁棒性。对于此算法，本发明还采用并行结果和多级流水线技术，用硬件的方式实现，提高了检测的实时性。

摘要： 能够不增加存储容量而以低成本实现的校正目标检测装置200，具有：测光区域设定部22，设定长条形状的测光区域；测光部21，检测测光区域的测光信息；亮度曲线生成部23，使将规定的一个方向作为长边方向的长条形状的测光区域，沿与一个方向正交的另一方向进行扫描，由此生成表示在该另一方向上的测光信息的变化的第一曲线，并且，使将另一方向作为长边方向的长条形状的测光区域，沿一个方向进行扫描，由此生成表示在该一个方向上的测光信息的变化的第二曲线；位置计算部30，基于第一曲线及第二曲线的特征点，来计算由车载照相机20获取的拍摄图像所含的用于校正车载照相机的校正目标的位置或该校正目标的规定部位的位置。

摘要： 目标检测装置包括：存储单元，特征量计算单元，量化单元和判定单元，存储单元存储先前学习的关于从输入图像中提取的样本图像的学习信息，该信息包括第一信息和第二信息，第一信息指出从多个特征区/特征量组中所选择出的给定数量的特征区/特征量组的至少一种组合，每个特征区/特征量组都包括其中一个特征区域和其中一个量化的学习特征量，每个特征区域都具有多个像素区域，且通过量化学习特征量所得到的经量化的学习特征量对应于在样本图像中的特征区域的特征量，第二信息指出样本图像是目标或是非目标；特征量计算单元计算属于输入图像中的组合的每个特征区域的输入特征量；量化单元量化已计算的输入特征量从而获得量化的输入特征量；判定单元利用量化的输入特征量和学习信息来判定输入图像是否包括目标。

摘要： 本发明公开了一种面向视觉检测的目标检测模型训练方法及目标检测方法。本训练方法为：1)每次迭代训练时选取多个标注数据和无标注数据；2)将标注的图像样本数据输入目标检测模型进行训练，获取每一标注的图像样本数据的预测结果；3)根据预测结果与对应的标注进行损失计算，得到监督训练的损失Ls；4)对每一无标注的图像样本数据分别进行弱增强和强增强；5)将弱增强样本数据输入目标检测模型进行预测，将所得预测结果作为对应强增强样本数据的伪标注；6)将强增强样本数据输入目标检测模型进行预测，根据所得预测结果与对应伪标注进行损失计算，得到无监督训练的损失Lu；7)根据Ls和Lu调整目标检测模型的参数。

摘要： 本发明公开了一种运动目标检测方法及实现目标检测方法的检测系统，包括中央处理器，所述中央处理器通过电路串联有转换模块，所述转换模块通过电路串联有分离模块，所述分离模块通过电路串联有获取模块，所述中央处理器通过电路串联有计算模块，所述计算模块通过电路串联有对比模块，所述中央处理器通过电路串联有存储模块，所述中央处理器通过电路串联有匹配模块，所述匹配模块通过电路串联有输出模块，可以直接定位于东南目标，准确高效，然后进行计算匹配和对比分析，进而描绘运动目标轨迹线路，并且进行输出和存储，利于回访查验，时效性高，能够大大提高检测的准确性和高效性，利于推广使用。

摘要： 本发明公开了一种基于级联检测器的目标检测方法、目标检测模型及系统，该检测方法包括以下步骤：S1：采用带有目标标注的训练数据集对目标检测模型进行训练；S2：将待测图片输入训练好的目标检测模型中，通过特征提取、上采样、特征融合后得到不同尺寸的特征图P2、P3、…、Pn；S3：根据特征图Pn预测得到目标位置Bn和类别Cn；根据目标位置Bi从对应的特征图Pi‑1中提取相应的特征进行目标预测，得到目标位置Bi‑1和类别Ci‑1，i＝3～n；S4：以目标位置B2作为最终预测结果；本发明通过对目标候选框的多次迭代回归预测，得到预测更加准确的目标位置，提高了目标检测精度，检测准确度更高。

摘要： 本发明公开了一种运动目标检测方法及实现运动目标检测方法的检测系统，在检测前景像素时，通过对当前像素的邻域像素进行统计，并引入置信因子来判断当前像素是否为前景像素，检测出来的前景目标可靠、空洞较少，可以消除鬼影等影响；在背景模型更新方面，采用背景像素进行模型更新，具有较高的可靠性；基于CSLBP纹理特征对光照的不敏感性，计算当前像素的更新概率，实现了背景模型的自适应更新，很好的适应光照的突然变化，克服了场景动态变化对背景图像的影响，使所建立的背景图像具有较好的鲁棒性。对于此算法，本发明还采用并行结果和多级流水线技术，用硬件的方式实现，提高了检测的实时性。