自动扶梯乘客危险行为检测方法

文中主要针对当前方法研究者对自动扶梯乘客危险行为检测效率不足的问题,在行人逆行检测方法中提出改进的单目标检测算法,结合改进卡尔曼滤波及表观信息提取模块的DeepSort目标追踪算法构建乘客逆行检测模型提高行人逆行检测的准确率。在行人摔倒检测方法中利用轻量化改进OpenPose模块提取的乘客骨骼关键点,通过危险行为自动采集模块转化得到输入特征参数,采用小波去噪方法(WD)结合随机森林方法(RF)构建摔倒行为检测模型。结果表明,相较于未改进的单目标检测方法结合未改进的DeepSort目标追踪算法其行人逆行检测的准确率提高了3.5%。相较于SVM、KNN对摔倒行为进行检测的方法,轻量化改进的OpenPose模块与WD-RF相结合的行人摔倒检测准确率分别提升了2.5%、1.8%。

基于改进密集网络与二次回归的小目标检测算法

基于单激发探测器(SSD)的小目标检测算法实时性较差且检测精度较低。为提高小目标检测精度和鲁棒性,提出一种结合改进密集网络和二次回归的小目标检测算法。将SSD算法中骨干网络由VGG16替换为特征提取能力更强且速度更快的DenseNet,利用基于区域候选的检测算法中默认框由粗到细筛选的回归思想设计串级SSD网络结构,在区分目标和背景后进行常规目标分类和位置回归,以获取精确的默认框信息并达到小目标检测中正负样本比例均衡。在此基础上,使用特征图尺度变换方法在不增加参数量情况下完成特征图融合,同时通过K-means聚类方法得到默认框的最佳长宽比并重新设置其尺寸。实验结果表明,该算法的检测平均精度均值在PASCAL VOC2007公共数据集和自制航拍小目标数据集上分别为82.3%和87.6%,较改进前SSD算法分别提升5.1个百分点和9.5个百分点,检测速度达到58 frames/s,可有效实现小目标的实时性检测。