面向庭院式住宅的周界入侵综合识别技术

针对现有周界入侵检测技术应用于私人住宅时面临的几个问题,提出一种面向庭院式住宅的周界入侵综合识别算法,该算法以YOLOv5为基础,将周界入侵检测任务分为异常目标检测与入侵检测两部分。在异常目标检测部分,针对YOLOv5在复杂户外场景下对小目标检测效果不佳等问题对其网络结构进行三点改进,然后应用改进YOLOv5对监控范围内人员穿戴与所持工具是否异常进行检测,并根据结果判断是否存在潜在入侵行为;在入侵检测部分,提出一种点线式区域入侵检测方法,巧妙地将区域入侵检测问题抽象成点与多条直线围成区域的位置关系判断问题。实验结果表明:本文算法在异常目标检测阶段平均精度(mean average precision,mAP)为85.4%,相较于YOLOv5与其他目标检测算法精度更高;模型检测速度可达23.4帧/s,实时性良好;在入侵检测阶段,点线式区域入侵检测方法相较于现有基于视频的入侵检测方法具有更高的入侵检测灵敏度且不存在误检现象;基本满足对庭院式住宅进行周界入侵检测的任务需求。

改进CenterNet的建筑工地劳保用具检测方法

针对建筑工地背景复杂、施工人员目标小和目标特征不全等问题提出一种改进的CenterNet建筑工地劳保用具检测方法。首先,使用轻量倒瓶颈结构对网络模型参数进行精简,同时为了弥补参数量降低带来的精度降低,在训练过程中使用重参数化来丰富特征空间信息,以提高特征提取能力;其次,使用特征增益条件上采样来增强对浅层信息的复用和提高对深层信息的提取能力,从而提高小目标检测精度;最后,使用隐式特征检测头对检测结果进行细化,提升检测精度。实验结果表明,在自制的建筑工地劳保用具数据集上的平均精度均值(mAP)为95.08%,参数量为79.11 MB,与改进前相比mAP提高了3.52%,参数量降低了31%,与其他主流目标检测算法对比,所提出的检测方法可以有效识别建筑工地的劳保用具穿戴情况。