基于改进YOLOv7的夜间行人检测算法

针对夜间行人检测任务中存在的检测速度慢、漏检率高、黑夜场景下识别效果差等问题,提出一种改进YOLOv7的夜间行人检测算法。改进算法中,使用YOLOv7-tiny网络作为baseline,以满足准确率的同时兼具较高的检测速度,在网络head部分,使用CSP HorNet模块实现关键特征之间的高阶交互,并引入SimAM注意力机制,在不增加模型复杂度的情况下,使网络聚焦更多重要的特征信息。实验结果表明,改进算法在测试集上准确率(Precision,P)达到91.7%,召回率(Recall,R)达到81.4%,均值平均精度(mean Average Precision,mAP)提升2.9个百分点。改进算法在真实场景检测任务中,有效降低了漏检率及错检率,表现出良好的性能。

单室窗开度对着火房间温度分布的影响

采用基于Fire Dynamics Simulator (FDS)的数值模拟方法研究了单室窗开度对着火房间温度分布的影响。结果表明:同一窗开度下,窗户面温度测点高度越高,温度越高;对窗户面同一高度处,窗开角度越大,温度降低值越大,窗户面的降温排烟效果越好,但窗开度较小(15°、45°)时,对窗户面较高位置(0. 35 m、0. 45 m)温度影响并不明显;同一窗开度下,门口温度测点高度越高,温度越高;门口0. 42~0. 52 m高度范围内和0. 52~0. 62 m高度范围内分别存在一个临界高度,分别使不同窗开度对临界高度内温度测点的降温效果几乎相同。因此,若紧急情况下被困人员无法逃出着火房间,被迫通过窗户面呼吸,应尽可能将窗户开到最大;在真实火场中,无论窗开度为多少,若被困人员能够选择从门口逃生,应尽量降低自己的重心,弯腰或匍匐前进;如救助对象(如珍贵历史资料等)处于门口较高位置(1. 68~2. 48 m),窗开度对这些高度处的降温效果影响十分有限。

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。

结合极值点特征的GrabCut算法

图像分割是计算机视觉的重要组成部分。其中,交互式图像分割是向计算机提供有用的先验知识,GrabCut交互式图像分割中是经典算法,其在用户交互过程中使用的涂鸦、画线、方形盒等交互方式给用户操作带来不便。针对上述问题,提出一种基于极值特征的交互式图像分割算法。首先,用户在图像中标记目标区域的顶部、最底部、最左侧和最右侧的极值点,利用算法求解出以极值点为顶点的极值框;其次,以极值框内选取的图像作为前景图,极值框外的为背景图;最后,确定了Grabcut的初始分割前景和混合高斯模型参数。采用最小割算法对前景图像进行分割,通过多次迭代使能量函数最小化,完成目标分割。