一种基于注意力机制的低光照下行人检测算法

由于在低光照环境下拍摄的图片质量较差,对低光照环境下的行人检测造成很大的困难。文中针对行人检测在低光照下检测率低的问题,提出一种基于Retinex视觉模型的低光照图象增强算法。此方法采用YOLOv3框架,研究基于Retinex视觉模型的低光照图像增强算法,加入基于分量增强的低光照图像增强算法和融合注意力机制的光照鲁棒目标跟踪算法,构建融合注意力机制的YOLOv3网络。对低光照原始图像进行分解,基于分量增强,生成对抗网络模型,对原始图像进行增强,得到增强后的图像再进行行人检测。实验结果表明:此方法能够很好地进行低光照环境下的行人检测,具有较高的准确率,能够达到较好的检测结果。

基于注意力机制子网络的时空跌倒检测算法

近年来行人跌倒检测变得越来越重要,因为准确及时的跌倒检测可以帮助跌倒者获得紧急救援。针对复杂场景中由于光照变化、遮挡和尺度变化等导致检测性能下降的问题,提出一种实时、鲁棒的跌倒检测算法。首先采用YOLO v3目标检测模块完成行人检测;然后在跟踪模块中对每个跟踪的边界框提取深层特征后,运用数据增强和重检测技术提高光照变化下的检测精度,并引入注意力机制子网络应对被遮挡目标的检测;最后跌倒判断模块对行人姿态进行判断,完成实时跌倒检测和报警。在Cityperson数据集、Montreal fall数据集和自建数据集上的实验结果表明,行人检测算法的检测精度达到87.05%,跌倒算法的检测精度达到98.55%,时延在120 ms以内,且在光照变化和遮挡影响下依然能获得良好的性能。