自适应特征融合的复杂道路场景目标检测算法

针对复杂道路场景下密集遮挡目标、小尺度目标检测精度低,容易出现漏检和误检的问题,以YOLOv5算法为网络基础框架,提出了一种自适应特征融合的复杂道路场景目标检测算法。引入特征融合因子,改进相邻尺度特征融合方式,增加各层网络有效样本从而提升中小尺度目标检测能力;增加浅层特征检测层,提升模型小尺度目标的学习能力;改进感受野模块,允许模型自适应选择有效感受野提取目标特征信息;引入Quality Focal Loss改善密集遮挡目标,小尺度目标的定位精度,并在特征融合网络加入注意力机制,提高算法对特征信息的有效利用。实验结果表明,相比原始算法,改进算法在公开数据集BDD100K(10类)、Udacity及自制数据集CQTransport的检测精度分别提高了6.7、4.9、7.9个百分点;在基本不降低检测速度的前提下,能较好提升复杂道路场景下的检测性能,并在一定程度上解决了检测过程中密集遮挡目标、小尺度目标出现的漏检和误检问题。

基于深度学习的车辆目标检测算法综述

近20年来,随着以物联网技术,计算机视觉技术为代表的核心技术蓬勃发展,基于深度学习的目标检测算法在各个领域都受到了较高的重视,而车辆目标检测是基于深度学习的目标检测中的一个重要研究领域,也是应用在智能驾驶、智能交通系统中非常重要的一部分。针对车辆目标检测任务,首先对深度学习的车辆目标检测进一步探讨,提出检测任务的重点、难点及发展现状,以时间线对卷积神经网络下车辆目标检测算法进行概括,并对目前2种主流的基于候选框和基于回归的车辆目标检测算法进行总结。伴随着目标检测算法的更加轻量化,检测性能更加优越,将在嵌入式设备得到应用,以提高检测任务的效率。在未来自动驾驶,智能交通系统领域对于安全性,实时性的要求会更高,使得车辆目标检测算法有较好的发展前景。

融合特征增强与DeepSort的疲劳驾驶检测跟踪算法

为了提高疲劳驾驶检测过程中面部特征识别的连续检测性和鲁棒性,降低车载终端的配置需求,设计了一种轻量化的人脸检测跟踪方法用于驾驶员疲劳检测。首先,采用MobileNetv3-Small作为面部特征提取主干轻量化网络模型,引入简单无参数注意力模块(simple,parameter-free attention module,SimAM)和深度超参数化卷积(depthwise over-parameterized convolutional,DOConv)构建特征映射和轻量化特征增强模块深度优化和关注人脸区域信息。然后融合DeepSort进行连续分类跟踪,优化面部遮挡对检测性能的影响。接着将人脸特征检测和关键点结合,根据单位时间内眼睛闭合时间百分比(percentage of eyelid closure over the pupil over time,PERCLOS)疲劳阈值、连续闭眼帧数和打哈欠总数判别疲劳驾驶。实验结果表明,模型的平均精度均值和查全率达到了98.9%和97.2%,提高了1.8%和6.3%;同时,浮点运算量仅为基准模型的28.3%,模型体积仅为7 MB。最终得出疲劳识别率为95.6%,验证了该检测跟踪方法能够在疲劳驾驶检测中有效提取面部特征,达到了较高的检测准确率和鲁棒性,以及车载终端的轻量化部署需求。

基于改进DeepSORT算法的摩托车头盔佩戴检测

为了解决在实际道路场景中对摩托车驾乘者头盔佩戴情况的检测与跟踪问题,提出一种优化的DeepSORT多目标跟踪摩托车头盔检测算法。使用改进的YOLOv3算法作为目标检测器,该方法采用MobileNetv3-Large作为YOLOv3特征提取网络,以轻量化网络结构,借鉴CEM模块的思想,引入SoftPool池化层和SE模块,构建了深浅语义融合增强模块,加强网络对输入特征深浅语义的编码能力。为了实现摩托车头盔佩戴分类和DeepSORT算法中外观特征识别模型的优化,构建多任务学习框架,通过对比损失函数和改进的交叉损失函数对多任务网络进行迭代训练来提升相似度学习能力和实现最终头盔佩戴情况分类。实验结果表明:在目标检测方面,改进网络的摩托车检测精度相较原始算法提升了4.56个百分点,模型大小仅为YOLOv3的13.7%。结合DeepSORT算法,多目标跟踪准确率相较于YOLOv3-DeepSORT算法从51.6%提升到了67.5%,多目标跟踪精度从57.3%提升到75.6%,检测追踪速度由6 FPS提升到了20 FPS,最终的NPH模型检测分类精度为72.42%。实现了对实际道路中摩托车驾乘人员头盔佩戴检测及追踪,具有较强的实用价值。

残差特征融合的小目标动态实时检测算法

针对图片中小目标携带信息少、尺度变化大等检测难点,本文以YOLOv5s为框架,提出一种特征融合的小目标动态实时检测模型(HCD-YOLOv5s)。针对模型下采样易造成小目标信息丢失、深层网络位置信息表达不足等问题,从浅层中新增检测小目标的检测头;本文针对特征融合造成的特征混淆等问题,设计一种特征融合方式CCAT,减少检测层位置信息与语义信息的丢失;针对检测任务与数据分布不同适应的激活函数不一致,设计DConv模块,分离回归任务与检测任务,实现模型的动态检测。本文在VisDrone数据集上对模型进行消融实验,3个模块相互促进。选取不同输入尺寸的图片对模型进行速度与精度测试。在YOLOv5s的基础上HCD-YOLOv5s的mAP50提高了10.2%,检测精度与参数量明显优于YOLOv5m, FPS达到90。最后在DOTA-v1.0上进行实验验证,mAP50、mAP分别提升了1.8%与2.0%,证明本文提出的HCD-YOLOv5s在小目标检测上有更佳的性能。

摩托车驾驶员和行人检测算法综述

行人与摩托车驾驶员的违规操作是造成事故发生的重要原因,加大摩托车驾驶员头盔佩戴与行人违规的监督力度对摩托车驾驶安全至关重要。论述了驾驶员头盔与行人检测的主要任务与特点,梳理了当前基于深度学习的检测算法优点、缺点,对近年来安全头盔与行人检测研究进展进行总结,结合检测难点对该领域进行分析与展望。

摩托车头盔佩戴检测算法研究综述

摩托车头盔作为摩托车驾驶的主要安全装备,规范的佩戴头盔对驾驶安全至关重要。综述了摩托车头盔佩戴检测的主要方法,分别阐述了传统的机器视觉与基于深度学习的摩托车头盔佩戴检测算法的研究现状,对比分析这些方法的特点和性能。对目前摩托车头盔佩戴检测的技术难点与瓶颈进行总结,最后对该领域的未来发展趋势进行了思考与展望。