基于嵌入式平台的行人行为检测系统设计

为了提高监控系统的实时性、减少人力资源的消耗,设计开发了基于多核DSP平台的行人异常行为检测系统。通过对ViBe算法的改进,解决了ViBe算法出现的死区,实现了对运动区域的提取。其次,针对单一特征在行人检测过程中存在的问题,基于HOG特征和Haar-like特征的特点,设计了基于串行级联方式的HOG特征和Haar-like特征融合方法形成优势互补,保证行人检测的准确率。然后,针对传统的Hu矩不具备尺度不变性因而不能适应图像缩放场景的问题,改进了Hu不变矩,消去比例因子,并提升了尺度不变性;提出了基于改进后的Hu矩不变性的行人异常行为检测算法,实现了几种行人行为的识别。最后,设计了基于多核DSP平台的行人异常行为检测系统。通过实验测试,验证了系统功能的有效性。

基于多尺度卷积神经网络的道路交通标志识别方法研究

为了准确识别不同路况下的交通标志信息,提出一种在Faster RCNN模型基础上改进的深度学习方法。针对交通标志的显著特征,设计了多路并联全卷积神经网络,对原始图像中的交通标志颜色、形状以及纹理进行多路特征提取,将多路特征层进行融合得到最终特征图,通过图像预处理加强了模型在多种环境和天气状况下的适应能力。同时在特征提取网络中加入深浅层特征层的融合特征,保留浅层特征层的细节纹理信息和深层特征层的语义信息,得到最终特征层能够适应多尺度变化的交通标志的识别。在原有RPN候选区域生成网络前,利用交通标志先验知识作为辅助进行目标检测定位,提出了针对交通标志识别更加合理的候选锚框生成办法。从先验知识统计交通标志尺寸和比例结果出发,设计适用于交通标志识别的目标候选框,减少了大量冗余的和负相关的候选框,提高检测准确度减少检测时间;加入针对深浅特征层的多尺度候选框生成方法,在强化多尺度目标识别能力的同时,进一步加强了小目标检测和识别效果;采用国际通用交通标志规范数据集GTSRB/GTSDB以及国内交通标志数据集TT100K对模型识别能力进行识别验证。