基于中心点检测的车流统计方法研究

由于尺度变化、角度变化及遮挡问题,对图像中的车流数量进行估计具有较大的挑战。随着深度学习的发展,利用基于多列或多网络的神经网络模型来提取尺度相关的特征,以提升密度估计的精度,但是,这些模型在进行优化训练时较为复杂,且需要消耗巨大的计算资源。鉴于此,论文提出一种通过基于中心点检测的卷积操作,来提取车辆相关的特征信息,根据检测到的结果和标注数据构建Focal Loss,从而实现对高密度车流的估计。实验表明,该模型具有较高的精度和较好的鲁棒性。

基于中心点检测与卡尔曼滤波的船舶跟踪算法

为了提升船舶跟踪效率,提出一种基于中心点检测与卡尔曼滤波的船舶目标跟踪算法.该算法根据经典的Tracking-by-Detection模式,采用中心点算法检测船舶目标,利用卡尔曼滤波算法为检测目标创建跟踪器,并通过匈牙利算法解决检测目标与跟踪器预测目标之间的匹配关联问题,从而实现对实际场景视频中船舶目标的稳健跟踪.实验结果表明,基于中心点检测与卡尔曼滤波的跟踪算法能够有效应对船舶部分遮挡、船舶形变、光线不足、小目标等复杂情况.

结合空洞编码器和特征金字塔的中心点船舶检测

为了进一步提高基于深度学习的船舶目标检测技术的检测精度,在无锚框中心点检测算法基础上,提出一种结合空洞编码器和特征金字塔的改进中心点船舶检测算法。采用Res Ne Xt-50网络对船舶图像进行特征提取,引入基于空洞残差的空洞编码器(DE)增大32倍下采样特征图的感受野,生成覆盖多个目标尺度的特征图,并采用特征金字塔网络(FPN)进行上采样,在上采样过程中融合空洞编码器生成的32倍下采样特征图和原16倍、8倍和4倍下采样特征图,从而提取到更丰富的船舶特征信息,提升船舶检测效果。结果表明,改进算法对不同类型和不同尺度下的船舶检测平均精确率相比原算法具有较明显的提升,相比SSD和YOLOv3算法具有更高的精度优势。

CentroidNet:轻量快速的乳腺癌Ki67细胞核中心点检测模型

目的Ki67分数是乳腺癌预后评估的重要指标,计算该分数的关键步骤是检测阴性与阳性癌细胞核。人工检测面临疲劳与主观差异的问题。卷积神经网络有望实现高质量、自动化的细胞核检测,然而需要病理专家为其标注细胞核。为了减轻标注的工作量,不少研究者提出以中心点标注训练卷积神经网络。然而这些方法采用过于复杂的卷积神经网络和后处理流程,未能充分提高易用性和效率、发挥卷积神经网络的质量。对此,提出CentroidNet模型,旨在提高中心点检测的质量、效率和易用性。方法CentroidNet模型在图像上放置均匀排布的锚点,为每个锚点预测一个候选点,一部分候选点通过基于阈值的筛选策略成为预测点。本文提出最近锚点匹配策略用于生成训练标签,既保证了端到端推理,又规避了其他一对一标签匹配算法所具有的标签抖动问题。本文建议锚点间距应尽可能接近训练集答案点间最短距离的第一百分位数,并指出这样的锚点间距能够在前景标签数、坐标回归难度与效率之间取得良好的平衡。本文在设计卷积神经网络的结构时,没有采纳广为使用的U-Net或特征金字塔(feature pyramid network,FPN)中的多级上采样与旁路连接,反而提高了质量和效率。结果本文在BCData数据集上评估CentroidNet模型的质量与效率。BCData是目前规模最大的、公开的乳腺癌Ki67癌细胞核中心点检测数据集。在质量方面,CentroidNet取得的综合F1分数为0.8791,媲美当前的最高质量。在效率方面,CentroidNet的推理速度为12.96 ms/幅、显存占用为138.8 MB/幅,达到了当前最高的效率,远低于若干主流或最新的模型。结论CentroidNet具有高质量、高效率和高易用性;与现有同类模型相比,进一步提高了乳腺癌Ki67细胞核中心点检测的可行性。

基于中心点检测和重识别的多行人跟踪算法

在基于视频的多目标运动跟踪中,目标检测和重识别具有很强的相关性。目前常将目标检测和重识别网络分别进行训练和使用,因此实时跟踪速度不能达到要求。针对多目标跟踪(multiple object tracking,MOT)中行人身份切换和跟踪丢失问题,将行人重识别模块进行遮挡优化并嵌入行人检测网络,由此提出了一种基于中心点检测和重识别的多行人跟踪算法。首先建立了行人运动模型,通过中心点检测得到行人最优状态估计;然后根据深层特征融合的行人重识别模型,利用马氏距离和余弦距离增强行人身份辨别能力;最后利用匈牙利算法进行在线数据关联,同时利用卡尔曼滤波剔除不准确的结果,对未关联的丢失目标做运动预测。利用所提算法和其他跟踪算法分别在MOT15、MOT16、MOT17数据集上进行多行人跟踪对比实验,结果表明,所提算法的多目标跟踪精度(multiple object tracking accuracy,MOTA)分别为63.5、72.4、70.9,正确识别的检测和计算的检测数的比值(identity F1-measure,IDF1)最优,且保证了实时跟踪速率,验证了所提跟踪算法的有效性。

基于中心点和双重注意力机制的无人机高分辨率图像小目标检测算法

无人机拍摄的图像具有分辨率高、视野大以及目标小的特点,而现有的目标检测方法对小目标特征的提取能力不足。为此,首先采用以中心点表示目标的检测网络CenterNet,引入可变形双重注意力机制,以提高对小目标的特征表达能力;然后针对原始非极大值抑制难以处理嵌套型冗余框的问题,在冗余检测剔除过程中提出了广义非极大值抑制方法;最后引入LegoNet卷积单元,减少了卷积参数,实现了精度与速度的平衡。实验主要采用的验证数据集为VisDrone2019和UAV_OUC,UAV_OUC数据集相比于VisDrone2019,其图片具有更高的分辨率。相比于CenterNet,所提出的方法在数据集UAV_OUC和VisDrone2019上的检测精度大约分别提高了10%和2%。

基于热力图预测的免“锚框”人物目标检测算法

传统的目标检测算法通常预设许多候选的目标边界框(“锚框”)穷举待检测目标的潜在位置,在对边界框进行置信度计算后筛除冗余边界框确定人物位置,此类检测方法需要复杂的后处理程序,检测效率低。针对待检测的人物目标,提出基于热力图预测的免“锚框”目标检测算法,将人物目标的检测转化为对人物热力图的最大值,即目标中心点的检测。通过中心点进行目标尺寸的回归,最终确定目标位置,免除对“锚框”的依赖和计算,从而有效降低计算成本,大幅提高目标检测的速度。实验结果表明:与传统基于“锚框”的检测算法Faster R-CNN和SSD相比,所提算法目标检测速度大幅提升,达到45帧/s,同时检测精度相较前两者在不同数据集上均有所改善。在现实场景测试中,即使视频中存在人物交叉遮挡情况,该算法也能实时跟踪和精准检测人物位置,达到实时检测的目的。

基于检测框下边沿的单目视觉车辆测距研究

对车辆测距是当今驾驶领域的热门研究方向。针对传统测距方法测距精度受到车型大小影响的问题以及前车存在的X轴偏移问题,提出了基于检测框下边沿中心点的车辆测距模型。该模型通过使用单目视觉摄像头及车辆检测算法获取前方车辆的位置信息,并通过车辆检测框得出的下边沿中心点坐标,以及相机安装的俯仰角信息综合建立了车辆测距模型,解决了车型大小带来的误差问题;通过构建三角函数模型,解决了前车相对于实验车辆存在的X轴分量问题,并优化改进了前车安全距离的判定方式;设定车尾矩形框中心点横坐标与车辆外接矩形框宽度的比值λ,根据λ取值分情况讨论,使该模型更符合场景应用需要。并提出了基于测距关键点的逆透视变换模型,减小了测距误差。实验表明,改进后测距模型的测距精度不受车型大小的影响且能考虑到前车位置的X轴分量问题,改进后的测距模型相对于传统测距模型,测距误差降低了约1.5%,且测距精度明显提高。

一种面向密集场景的轻量化人群检测网络

针对密集场景下行人检测的遮挡问题,文中提出了基于YOLO(You Only Look Once)的SC-YOLOv4人群检测网络。在YOLOv4的CSPNet(Cross Stage Partial Network)结构基础上,结合ShuffleNetv2网络思想改进普通卷积结构,将原来普通的残差模块替换为Shuffle Module模块,提出了基于S-CSPDarkNet53(Shuffle CSPDarkNet53)的骨干网络结构,在保留精度的同时降低了网络参数量。文中在保留原来PANet(Path Aggregation Network)结构的基础上设计中心点预测模块,将原来的3个输出特征层改用基于中心点的预测方法,即对目标的中心点进行回归和训练计算损失,摒弃了原来的NMS(Non-Maximum Suppression)操作,进一步提高遮挡情况下的检测精度。实验结果表明,在CrowdHuamn数据集上采用S-CSPDarkNet53结构的YOLOv4较原网络的参数量显著减少,检测速度提升了5.2 frame·s^(-1),而最终的SC-YOLOv4网络在检测速度上较YOLOv4提升了4.9 frame·s^(-1)。

基于可变形卷积和数据增强的三维多目标检测

近年来,自动驾驶受到越来越多的关注,以点云为输入数据的三维目标检测在该领域中发挥着至关重要的作用。然而,点云目标的尺度差异性以及变换性等问题,导致了目标检测精度的下降。以CenterPoint网络为框架,提出了一种基于可变形卷积和数据增强的三维多目标检测优化算法,该方法提取点云特征后生成地图视角的特征图谱,在检测头网络加入可变形卷积层,并引入图像翻转方法进行数据增强,提高网络对于目标的检测能力。在公开数据集nuScenes上的实验结果表明,该网络与其他方法相比,在汽车、公交车以及行人等类别的检测精度上有一定程度的提升。

结合头部和整体信息的多特征融合行人检测

尺度过小或被遮挡是造成行人检测准确率降低的主要原因。由于行人头部不易被遮挡且其边界框包含的背景干扰较少,对此,该文提出一种结合头部和整体信息的多特征融合行人检测方法。首先,设计了一种具有多层结构的特征金字塔以引入更丰富的特征信息,融合该特征金字塔不同子结构输出的特征图从而为头部检测和整体检测提供有针对性的特征信息。其次,设计了行人整体与头部两个检测分支同时进行检测。然后,模型采用无锚框的方式从特征图中预测中心点、高度及偏移量并分别生成行人头部边界框和整体边界框,从而构成端到端的检测。最后,对非极大值抑制算法进行改进使其能较好地利用行人头部边界框信息。所提算法在CrowdHuman数据集和CityPersons数据集Reasonable子集上的漏检率分别为50.16%和10.1%,在Caltech数据集Reasonable子集上的漏检率为7.73%,实验表明所提算法对遮挡行人的检测效果以及泛化性能与对比算法相比得到一定的提升。

结合特征复用注意力与精细化分层残差的细微裂纹密集连续检测

细微裂纹的高效识别对结构体早期故障诊断具有重要意义。图像分割等方法在处理复杂且带有断裂的细微裂纹时难以达到满意效果。因此,将细微裂纹的识别问题转变为密集连续的中心点预测问题,利用精细化分层残差模块构造特征提取器并结合具有特征复用的注意力模块提出一种细微裂纹检测方法。首先使用相同的矩形框沿裂纹轨迹密集连续地标注;其次对不同的精细化分层残差模块进行消融实验,得到有利于细微裂纹特征提取的骨干网络;最后结合具有特征复用的注意力模块与骨干网络对比了六种不同的特征复用方式。实验结果表明,本文方法的最高和平均精度分别为61.0%和54.7%,与原模型相比分别提升4.9%和6.3%,成功识别细微裂纹及其局部断裂区域并抑制背景干扰。

基于凸壳式剥离的高黏着度棒材检测计数方法

高黏着度棒材的精确检测计数是一个难点。提出凸壳式剥离算法:判断画面中是否存在高黏着度棒材。若是,则首先获取棒材端面的边缘轮廓角点和部分中心点,由得到的角点和中心点求出一组能描述棒材端面轮廓的点集,然后依据该点集求出外围棒材端面轮廓的凸壳,从而剥离外围棒材达到准确获取内部棒材中心点的目的;若否,则使用峰值提取法求全部棒材的中心点。实践证明,该方法能有效提升高黏着度棒材识别与计数的精度。

基于深度学习的吊具全自动抓箱定位系统

在港口自动化作业中,起重机吊具抓放集装箱的过程需要准确定位集装箱和吊具的相对位置,进而可以将数据反馈给控制系统以实现自动对位功能。通过在吊具的四个角向外延伸外侧安装吊具摄像头,以实现对集装箱锁孔的准确识别及定位,通过集装箱的锁孔位置可以较为准确地计算出集装箱中心点相对吊具中心点的在x(大车方向),y(小车方向)方向上的偏移量及偏航角。实验结果表明,对于20尺的集装箱和吊具大、小车定位误差为10mm,偏航角误差为±0.2°,基本可以满足对实际使用的需求。

改进自组织映射神经网络在指纹识别中的应用

改进自组织映射神经网络方法是将常规自组织映射神经网络方法结合确定性水平,对网络的输入矢量进行预处理。通过实验比较了这种改进的自组织映射神经网络识别方法与常规的自组织映射神经网络识别方法的识别效果,在识别性能上有了很大的提高。

加强重识别的行人多目标跟踪算法

在多目标跟踪任务中,重识别(re-identification,Re-ID)效果通常依赖于检测性能的好坏,检测偏差会导致ReID特征模糊,从而降低重识别精度。特别是在尺度变化和频繁遮挡等复杂场景下,Re-ID鲁棒性不高,多目标跟踪效果较差。针对该问题,提出一种加强重识别的行人多目标跟踪算法。该算法以CenterNet为检测器,通过预测目标中心点热力图来检测目标位置,并设计检测偏差损失加强对预测热力图响应值的约束,以缓解因检测不准确导致的ReID特征模糊问题。为提高Re-ID鲁棒性,提出Re-ID可学习特征动态扩充策略。该策略通过自适应扩充目标中心的Re-ID可学习特征来提高特征质量,并减小Re-ID对中心点检测精度的依赖。在MOT16和MOT17测试集上进行验证,结果表明,算法能有效提升Re-ID性能,与主流算法相比具有更好的跟踪效果,且兼顾了实时性,达到25.6 FPS。