基于改进YOLOv7的矿井人员检测算法

矿井人员的实时检测是建设智慧矿山必不可少的内容,通过视频监测井下人员,从而实现危险区域预警及联动控制,对于矿井安全生产具有重要意义。现阶段可见光图像识别技术针对井下昏暗环境中人员的辨识还有待完善。针对井下光照不均、煤尘干扰严重导致监控视频存在噪声多、图像模糊等问题,提出一种改进YOLOv7的矿井人员检测算法。首先,针对ELAN模块直接拼接形成通道隔离的问题,提出基于通道重组与特征关注的复杂场景检测方式;其次,针对特征融合结果未侧重预期目标且模型缺乏针对性策略提升小目标检测性能,在颈部多尺度融合网络添加ACmix模块,兼顾全局特征和局部特征,提升了算法对小目标的检测能力;最后,引入Efficient IOU Loss提升算法收敛速度的同时减小目标框及先验框高度和宽度的差值,实现更加精准的定位。通过公开行人数据集及自建矿井人员检测数据集验证表明:该算法较YOLOv7模型相比,检测精度提升了3.1%,达到89.4%;召回率提升了3.8%,达到86.4%;速度提升了15.8%,达到68.8FPS;满足矿井人员实时检测的工作要求。

基于多特征分析的井下视频关键帧提取及人员检测

针对井下视频人员检测准确度和效率低的问题,提出了一种基于多特征分析的视频关键帧提取技术和YOLOX算法检测相结合的方法。该方法对井下视频进行关键帧提取处理,使用灰度直方图的欧式距离、HSV颜色空间量化后的余弦距离、方向梯度直方图的相似性和选择结构相似性来计算相邻帧之间的特征相似度。通过动态权重参数的方法融和以上指标作为最终的相似度数值,并与设定的阈值相比较来提取视频的关键帧集合。将提取的关键帧集合在训练好的YOLOX模型中进行检测。通过不断地实验和改进,结果表明,使用该方法对井下视频提取的关键帧冗余度小、分布均匀,能够全面地表达视频的内容。在人员检测方面,能够以更快的速度和更高的精确度实现对井下人员的检测。

基于改进YOLOv7的码头作业人员检测算法

广角监控图像中人员目标检测对于码头智能安防具有重要意义。针对传统YOLOv7算法在码头广角监控图像识别中,存在小目标特征提取能力弱、人员检测准确率低等问题,研究了基于改进YOLOv7的码头作业人员检测算法。为提升人员目标多尺度特征的检测性能及鲁棒性,设计了平衡码头人员分类与定位任务的上下文解耦(task-specific context decoupling,TSCODE)结构并联合聚集-分发机制(gather-and-distribute,GD),增强网络多尺度特征融合能力;为增强网络对作业人员等小目标的特征提取能力,在主干网络末端引入了基于双层路由注意力机制(bi-level routing attention,BRA)的视觉transformer模型(BRA-ViT),捕捉小目标人员的位置、方向与跨通道等信息;为提升检测速度并保持检测精度,提出了基于slim-neck的颈部层网络轻量化方法,降低参数量与计算量;为降低漏检率与误检率,引入了基于最小点距离的交并比损失函数(minimum-point-distance-based intersection over union,MPDIoU)计算边界框的坐标预测损失,提升边界框回归的准确性与计算效率。为验证算法效果,采集白天、夜晚不同时段下码头前沿、堆场、卡口等场景的广角监控图像,构造标注数据集并设计消融与对比实验。实验结果显示:所提算法对码头作业人员检测的平均准确率为90.6%,平均检测速度为39 fps;与Faster R-CNN、SSD、YOLOv3、YOLOv5、YOLOv7、YOLOv8等算法相比,其平均准确率分别提升了13.8%、15.8%、8.5%、5.2%、2.7%和3.5%,平均检测速度与基准YOLOv7算法性能相当。所提算法对码头作业人员识别具有较高的检测精度与检测速度,满足码头安防场景中作业人员检测准确性与实时性的要求。

基于60 GHz毫米波雷达室内人员检测方法

针对室内人员检测场景,提出了一种基于调频连续波(FMCW)毫米波雷达的人体空间位置信息检测的方法。通过构建多快拍信号,在方位角和俯仰角分别使用又称最小方差无失真响应(MVDR,Capon)法和常规波束形成(CBF)的波达方向(DOA)估计的方法,提高角度估计的性能;采用生命体特征检测方法辅助跟踪由动态转变为静态的目标,实现对目标的持续追踪。实验结果表明:采用该测角方法,雷达系统具有良好的检测精度和实时性;增加生命体特征检测流程,可提高雷达系统对静态目标的跟踪能力。

基于改进Transformer的井下人员检测算法

针对现有井下人员检测算法的特定后处理步骤,如锚点生成和非极大抑制,导致训练过程复杂的情况,提出了一种基于改进Transformer的检测方法,旨在提高井下作业人员检测的准确性。算法以Detection Transformer为基础检测框架,将主干网络ResNet替代为轻量级的Swin Transformer网络;同时向输入序列中添加可学习的检测块,并采用一种重新配置的注意力模块;以更好地处理多尺度特征的融合,使用轻量级的无编码颈部结构,减少计算开销。通过采集不同工作场景监控视频并制作数据集进行实验,结果表明,提出的方法在自建井下人员检测数据集上表现出色,平均检测准确度达到97.8%,优于其他井下人员检测网络,此外检测速度达到32帧/s。

改进YOLO-RE的机房俯拍人员检测算法

针对目前数据中心监控审查采用传统人工对监控视频里的人员数量进行抽检,极其耗费人力的缺点,本文采用YOLOv7作为基线深度学习模型,提出了一种改进YOLO-RE的机房人员检测算法。首先采用SPPFCSPC网络替换原SPPCSPC模块,在保持感受野不变的情况下,提升了检测速度。然后,采用EIOU损失,优化了纵横比的模糊定义问题,并添加Focal Loss聚焦优质的锚框,解决样本不平衡的问题。最后,针对因机房枪机拍摄角度与高度使画面中通常存在较小的人员目标问题,增加小目标检测头,充分利用大尺度特征,提高小目标检测能力。实验结果表明,在现场采集的数据集上,本文方法的平均检测精度约89.7%,提高了自主检测精度和视频抽检效率,为保障数据中心的监控安全提供技术支撑。

基于空间域注意力机制的车间人员检测方法

车间人员检测是指使用目标检测技术对工厂生产车间内相应区域进行人员检测,保障生产车间内人员生命健康安全。车间内人员检测存在图像模糊、检测效率低、实时性要求高等问题,将改进的暗通道优先处理策略用于图像增强、用空间域注意力机制相结合的SSD(Single Shot MultiBox Detector)网络提高检测效率,同时保障实时性要求,并在本文测试集及VOC2012数据集上进行验证,结果显示出较好的定位效果及检测率。

便携式煤矿井下人员检测系统的设计

便携式煤矿井下人员检测系统是针对煤矿系统安全系数低、人员管理落后的问题研制开发的。该系统实时采集射频识别卡所发送的信息,上位机对采集的数据处理后可实现对人员的检测和定位,并通过对数据库的操作实现对井下人员的管理。

基于改进YOLOv5的人员检测方法研究

为了解决在人员检测过程中,检测精度低、收敛速度慢问题,提出了一种基于改进YOLOv5的人员检测方法。首先,在主干网络(Backbone)和特征加强网络(Neck)中加入注意力机制(attention mechanism,CBAM),来解决Backbone特征提取能力不足问题,并加强Neck特征融合能力;然后,加入EIOU Loss,解决了计算宽高的差异值取代纵横比,同时引入Focal Loss解决难易样本不平衡问题,EIOU Loss在测试过程中,不仅加快了模型的收敛速度,而且精度也有所提升。结果表明:在自制数据集和公开数据集CrowdHuman中,平均精度分别提高1.2%和1.6%,FPS(frames per second)每秒提升了11.91帧和6.44帧,漏检情况也有所降低。经过改进后的模型,实时性要求符合现实要求,更易于提取人员的特征信息,提升检测精度。

一种改进RetinaNet的室内人员检测算法

由于现有的人员检测算法研究对象主要是室外直立行人,而室内人员姿态多变,且图像拍摄角度与室外行人差别较大,所以使用以往的检测方法得到的效果并不理想。基于此,笔者针对室内人员检测数据集提出了一种高精度检测模型。该模型以RetinaNet网络为基础,在残差网络中引入通道注意力模块,间接实现卷积层的随机失活,增强模型泛化能力;通过维度聚类算法找出锚点的最佳尺寸,并据此找到合适的特征图进行预测。实验表明,这种算法在室内人员检测数据集上检测精度可达99.84%,且在速度和内存占用方面也优于其他算法。

毫米波雷达人员检测系统设计

针对一个目标回波存在多个雷达目标检测点的问题,基于毫米波雷达的传感原理、人员活动特征和聚类数据处理技术分析了雷达配置,提出了一种层级聚类优化技术,提高了检测准确率。选用AWR1443,构建了多输入多输出(MIMO)天线机制的77GHz线性调频脉冲人员活动检测毫米波雷达系统,编制层级聚类优化算法,进行了实际场景人员检测的验证实验。实验结果表明:与同类研究的结果相比,该系统可获得最好的准确率。

嵌入中心点预测模块的Yolov3遮挡人员检测网络

为解决目前实际监控场景下人员检测任务中存在的遮挡问题,提出了一种改进的Yolov3检测网络.首先,针对现有人员检测算法的被检测目标姿态单一且大多是室外直立行人的问题,自建了一个包含16832张样本的多场景人员检测数据集用于对检测网络进行训练和测试,其中包含训练集样本12090张,测试集样本4742张.随后,为了提升网络在遮挡情况下的检测效果,设计了中心点预测模块(CPM)并将其嵌入到原Yolov3网络中3个尺度的输出特征图上,通过该模块首先确定目标的中心位置作为预提取的中心点,随后在此预提取的中心点上对目标的位置和尺寸进行精确的回归.最后,候选框的精确回归中采用广义的交并比指标来构造损失函数进行优化,通过准确地构造候选框和真实目标框的位置关系来提高其回归精度,同时降低损失函数在不同尺度目标下的波动.实验结果表明:优化网络结构和损失函数后的检测网络在测试集上的检测精度提高了2.92%,漏检率下降2.94%,针对实际监控场景下的遮挡情形取得了很好的检测效果,而且对多姿态人员目标的检测结果具有很好的鲁棒性;同时检测速度达到了28帧/s,保证了检测的实时性.另外,在Caltech行人数据库上该网络的漏检率为6.02%,相对于传统的检测网络同样达到了最优的效果,进一步印证了网络在行人检测任务上的优越性.

基于DE-YOLO的室内人员检测方法

目标检测的一个重要应用场景是对室内流动人员的检测与定位,为了降低模型的冗余度和提高检测的精确度,因此本文提出一种基于DE-YOLO的室内人员检测方法.通过使用K-means算法对数据集进行聚类,并设计出这种DE-YOLO深度卷积神经网络结构.通过DE-YOLO网络结构中的密集型连接,实现模型大小的压缩和特征信息的复用,最后对提取到的特征进行目标检测.在VOC2012数据集上进行实验表明,新改进的深度卷积网络应用性能有较大的提升.

基于CenterNet-GhostNet的选煤厂危险区域人员检测

选煤厂危险区域人员全身目标检测因粉尘、雾气干扰难以准确与生产环境背景区分,而人员头部特征相对易于辨识,且人头在监控视角下被遮挡的可能性较低,因此危险区域人员检测使用人员头部检测代替人员全身目标检测。目前基于深度学习的轻量化目标检测模型在特征提取时信息损失多,对人头目标的检测能力有限。针对该问题,提出了轻量化人员检测模型CenterNet-GhostNet。该模型以CenterNet网络为基础框架,将轻量化网络GhostNet与特征金字塔相结合作为特征提取网络,GhostNet对输入图像进行特征提取,提升网络特征表达能力,特征金字塔对GhostNet提取的不同分辨率的特征图中包含的信息进行融合,在提取高层语义特征的同时保留较多的细节信息;在较高分辨率的单个输出特征图上使用3个相互独立的卷积操作分支进行解码计算,以充分利用特征图包含的细节信息。实验结果表明:CenterNet-GhostNet模型对佩戴安全帽和未佩戴安全帽两类人头目标的检测精度分别为93.7%和91.7%,均优于通用的轻量化模型SSD-MobileNet、YOLOv4 Tiny和CenterNet-Res18;CenterNet-GhostNet模型部署在NVIDIA Jetson Nano上的单帧检测耗时为67 ms,满足选煤厂危险区域人员高精度、实时检测要求。

基于智能用电网络的低成本实时人员检测方法

房间有无人员状态是实施节能和安全等智能用电行为的基础信息,通常基于房间内的信道状态信息(channel state information,CSI)来间接检测有无人员状态。为此,对不同场景的CSI幅值进行了统计分析,并提出其数据的修正瑞利分布特性。在此基础上,以瑞利分布形状参数、右偏修正系数和形状参数变化率为特征,选取敏感子载波构建特征指纹矩阵,最后以实时特征指纹与有人、无人时的历史特征指纹矩阵之间的F范数来判定有无人员状态。此外,为提高实时人员检测的时效性,提出了CSI检测终端与边缘计算网关的协同计算模式。算例分析以典型办公室为试验地,与基于随机森林的判定方法进行对比。结果表明所提方法及其技术架构不仅更适宜实现长时间的高精度检测,还具备低成本的特性。

电梯轿厢人员检测方法综述

目前人员检测多以红外探测为主,易受噪声信号干扰出现误报,以现有电梯硬件配置结合计算机视觉技术进行人员检测能够更加精确便捷。从电梯轿厢人员检测着手,对现有的较为适用于电梯轿厢的人员检测方法进行分析和分类,阐述了各个方法的优缺点,并对未来发展方向做出展望。

浅析闸机系统的人员检测与判别技术

闸机系统是自动检票系统的关键组成部分,其内部的人员检测和判别技术,可以实时检测通过闸口的所有物体和乘客,正确判断乘客人数,一卡对应一位乘客。简要介绍了闸机系统的构成,分析了人体通行状况分类,同时,还阐述了闸机系统的人员检测和判别技术。

基于YOLOv5s的滑雪人员检测研究

针对滑雪人员目标检测研究中,存在的检测精度低、速度慢,不同姿态识别效果差等问题,采用YOLOv5s网络模型,改进损失函数,增加平衡因子,在自制滑雪人员数据集上对网络进行训练,利用训练好的网络进行图像特征提取,实现滑雪人员的快速检测。基于YOLOv5s的滑雪人员检测模型可以有效识别不同姿态下的滑雪人员,mAP值达到99.87%,Recall值达到97.66%,检测速度可以达到7ms/帧。实验结果表明,改进的YOLOv5s滑雪人员检测模型,检测速度快,检测精度高,鲁棒性强,有较好的可扩展性,既满足检测精度要求,又满足检测速度要求。

基于WiFi感知的人员检测方法

随着物联网产业的飞速发展,一大批以人为中心的智能化服务不断涌现,检测到人员的存在是提供这些服务的前提。本文提出了一种基于WiFi感知的人员检测技术,基于信道状态信息(CSI)幅度的动态方差感知周围环境的变化,生成特征指纹,并结合KNN分类算法,对比判断当前场景内是否有人员存在。

电梯轿厢人员检测方法

目前人员检测多以红外探测为主,易受噪声信号干扰出现误报,以现有电梯硬件配置结合计算机视觉技术进行人员检测能够更加精确便捷。文章针对电梯简单固定的场景,提出了改进ViBe背景建模算法,识别有人无人状态。首先加入了隔帧处理的概念,增加背景建模时间避免静止目标更新成背景,从而避免了短时间内静止目标再次运动引入拖影区域。而后修改算法参数,达到更好的目标检测效果,最终利用提取的非背景像素点,进行人员检测。