行人检测中非极大值抑制算法的改进

行人检测是计算机视觉领域的难点和热点问题。行人检测可大致划分为3个部分:特征提取、分类和非极大值抑制(Non-maximum Suppression,NMS)。当前的研究工作主要集中在特征提取、特征学习和分类器等方向,而非极大值抑制方向鲜有改进。目前常用的非极大值抑制算法是贪心策略,抑制时只使用了单一的重合面积信息。针对该问题,在ACF(Aggregate Channel Features)检测算法的基础上,对非极大值抑制进行了3项改进,显著地提升了算法的精度,并且算法的时间消耗只有略微的增加。在INRIA数据集上,单独使用引入尺度比的动态面积阈值NMS时能降低平均对数漏检率(MR)0.99%;单独使用保留外围检测分数相近的检测窗口的策略时NMS能降低MR 1.25%;两者结合可降低MR 2.5%;结合后,再对已经被抑制的检测窗口重复抑制,MR降低了2.63%,达到14.22%。

基于非极大值抑制的SUSAN算法改进及硬件实现

基于FPGA的嵌入式双目立体视觉系统中要求其边缘检测算法具备抗噪能力强、定位精度高、实时性好、易于硬件实现的特点。本文在SUSAN算法的基础上,提出了一种能够满足上述要求的改进边缘检测算法,先用SUSAN算法计算图像的初始响应和法线方向,再进行基于USAN重心与中心点距离阈值的非极大值抑制,最后进行边缘连接,得到边缘图像。该算法各模块采用Verilog HDL语言编程,并在FPGA中验证实现;边缘检测结果用于立体匹配,匹配效果良好,完全满足设计要求。

使用GIoU改进非极大值抑制的目标检测算法

针对单阈值-非极大值抑制算法中出现的目标漏检和重复检测问题,本文提出了一种使用全局交并比指标GIoU(Generalized Intersection over Union)衡量目标相似度的双阈值非极大值抑制算法GDT-NMS(Generalized Dual Threshold NMS,GDT-NMS).使用双阈值改进NMS算法和soft-NMS算法,抑制多余的检测框;在此基础上,使用GIoU替换传统的IoU计算目标间的相似度,使目标的定位更加准确;进一步,使用非线性函数赋予检测框不同比例的权值惩罚,使检测框的得分随距离呈非线性变化,目标区分度更高.改进算法在PASCAL VOC和MSCOCO上的检测精度分别为74.8%和25.9%,与使用NMS算法作为后处理的Faster R-CNN算法相比,性能分别提升了1.6%和1.5%.同时本文算法具有较快的检测速度.

基于F1值的非极大值抑制阈值自动选取方法

传统的NMS算法的过滤阈值是人为设定的,由于阈值的选取不当可能会造成漏检和误检。在应用NMS算法时,所有图像的最佳阈值不是完全相同的,根据图像自身信息的不同而发生变化。针对上述问题,提出基于F1值的非极大值抑制阈值自动选取方法,综合考虑检测算法的准确率与召回率,选取使F1值最高的最佳过滤阈值,构建映射关系。测试阶段,利用映射关系和图像信息自动选取对应的过滤阈值。实验结果表明,本文提出的改进版本NMS算法将检测精度mAP值提高了1.1%。与现有的先进算法做对比,证明了本文算法的有效性。

基于双阈值Apriori算法和非频繁项集的关联规则挖掘方法

针对从数据集中的正负关联规则挖掘问题,提出一种基于双阈值Apriori算法和非频繁项集的挖掘方法。首先,对通过逆文档频率(IDF)对语料库中的项(项集)进行加权,筛选出前N%的项集;然后,通过提出的双支持度阈值Apriori算法来提取频繁项集和非频繁项集,以此降低非频繁项集的数量;最后,通过置信度和升降度阈值的判断,分别从频繁项集和非频繁项集中挖掘正负关联规则。其中,创新性地利用了非频繁项集来挖掘正负关联规则。在一个医学文本数据集上的实验结果表明,提出的方法能够有效地挖掘出正负关联规则,且能够大大降低项集和规则数量。

一种改进的非极大值抑制算法在YOLOv3模型中的应用研究

YOLOv3目标检测模型在进行候选区域确定时大多使用非极大值抑制算法,这类算法在多目标检测任务可能出现重复检测等问题,针对这一问题,本文在前人研究的soft-NMS算法基础上进行优化,提出I-NMS算法,并将该算法应用到YOLOv3算法中进行建模,通过实验对比验证表明,I-NMS算法有助于解决YOLOv3算法中的重复检测问题。

局部二值模式耦合双阈值LM优化的火焰图像边缘检测算法

为了解决当前火焰图像边缘检测技术易受到近似亮度的影响,使其得到的边缘不够清晰、完整性不强等不足,定义了一种基于局部二值模式(LBP)耦合双阈值(LM)优化的图像边缘检测算法。将彩色图像转换为灰度图像,并根据统计分布调整图像的灰度。采用高斯滤波器平滑图像,消除噪声影响。然后,利用LBP处理图像,并采用全局阈值技术进行计算,获取边缘局部特征。通过非极大值抑制算子来得到更精确的边缘,在非极大值抑制中选择2个阈值来创建2个不同的边缘图像。为了加快这2个非极大值抑制阈值的优化过程,采用LM优化算子,优化了基于均方误差的成本函数,消除了虚假边缘的同时保留了细小边缘。此外,利用火焰图像的面积、平均值、标准差、方差等各种参数对火焰图像进行分析,从而准确得到火焰温度以及预测燃烧的稳定性。通过实验表明,与当前火焰图像边缘检测技术相比,算法能够具有更高的边缘检测质量,火焰边缘完整度更好,可以有效去除噪声和不相关的伪影。

基于自适应双阈值的SUSAN算法

传统SUSAN算法在提取图像边缘时,会出现漏检现象,且所提取的边缘较粗。为此,运用计算最大类间方差的方法自适应地选取双阈值,取代传统算法中人工设定的单阈值,采用多方向局部非极大值抑制方法进行改进,提出一种新的SUSAN边缘检测算法,并将其应用于遥感图像的边缘提取。实验结果表明,该算法能够有效提高边缘定位精度,降低漏检率,使边缘更细致光滑。

基于特征增强的局部动态阈值的ORB算法

ORB(oriented FAST and rotated BRIEF)特征检测算法,在模糊场景和光照变化剧烈的环境中,容易使提取的特征点的数量和匹配的正确率出现巨大的差异,同时,在图像物体的拐角处也容易出现特征点的堆叠。针对这一情况,提出了一种改进的ORB特征检测算法。首先使用多尺度视网膜增强(multi-scale retinex,MSR)算法对图像进行特征增强,然后对图像进行网格划分,针对每个网格的灰度分布情况调整特征点检测时的阈值,之后采取动态区域非极大值抑制方法筛选最佳特征点。实验结果表明,相较于原ORB算法,改进后的算法提取的特征点在图像上的分布更加均匀,当亮度在80%的范围内变化时,特征点的重复率稳定在75%以上,匹配正确率平均提高了22%。

自适应置信度阈值的非限制场景车牌检测算法

针对车牌检测模型泛化性低,在智慧交通的不同应用场景中复用困难的问题,提出一种自适应置信度阈值的非限制场景车牌检测算法。首先,构建多预测头网络模型,利用分割预测头减少模型复用的预处理工作,利用自适应置信度阈值预测头提升模型的检测能力,并利用多尺度融合机制及边框回归预测头来提升模型的泛化能力;其次,采用可微分二值网络训练方法,利用可微分二值变换联合训练分类置信度及置信度阈值来学习模型参数;最后,利用连通感知非极大值抑制(CANMS)方法提升车牌检测的后处理速度,并引入轻量级网络ResNet18作为特征提取骨干网络,以减少模型参数量,进一步地提高检测速度。实验结果表明,在中国城市停车场数据集(CCPD)的6个不同限制条件特点的场景中,所提算法可获得平均99.5%的准确率与99.8%的召回率,并达到每秒70帧的高效检测速率,优于Faster R-CNN、SSD等锚框类算法的性能;在3个补充场景测试集上,所提算法对不同分辨率、不同拍摄距离、不同拍摄俯仰角等非限制场景下的车牌检测精度均高于90%。可见,所提算法在非限制场景下具备良好的检测性能及泛化能力,可以满足模型复用的要求。

基于改进YOLOv5s的小目标工程车辆定点监测识别算法

为有效减少并预防因违法土地开垦和矿产挖掘而造成自然环境破坏的行为,利用部署到高塔上的摄像头,提出了一种在复杂环境中进行各类工程车辆检测的ETS-YOLO小目标监测识别算法.首先,使用EfficientViT网络替换YOLOv5s的主干特征提取网络,以提高注意力多样性,大幅缩减模型参数量.其次,增加小目标检测层,增强网络对浅层语义信息的提取,以提高小目标检测效果.最后,使用软非极大值抑制算法(soft-NMS)替换原有NMS函数,以有效识别遮挡、重叠目标.实验结果表明:改进后的模型平均准确度均值(mAP)为93.3%、参数量为5.90 M、检测速度为52 f/s.相较YOLOv5s模型,mAP提升2.6%,参数量下降16.1%.

基于自适应阈值的FAST特征点提取算法

FAST特征提取算法阈值选取固定,因此不能满足不同图像的特征点抽取要求,并且提取的结果存在着多个特征点块的现象。针对这些缺陷,首先采用动态全局阈值对原始灰度图像进行初步提取得到候选特征点,然后采取动态局部阈值和非极大值抑制法进一步对候选特征点进行筛选,从而达到自适应选取阈值和抑制多个特征点块的目的。实验表明,改进后的算法稳定性高,对不同光照和对比度情况下有一定的适应能力,并且运算量相对比于其他一些特征提取算法要小得多,满足实时应用的要求。

像素自相关矩阵的阈值自适应角点检测算法

针对Harris角点检测算法中角点响应函数(corner response function,CRF)系数阈值与非极大值抑制系数阈值需要人为设定所造成的可变性和随机性等问题,该文提出一种通过计算图像每个像素的自相关矩阵行列式值,构造特征角点图像进行自适应阈值分割的改进Harris角点检测算法。该算法首先通过计算原图像经过方向滤波和低通滤波后各像素的自相关矩阵行列式值,以此构造特征角点图像;然后采用OTSU算法计算特征角点图像分割阈值,从而筛选出预选区域;最后结合改进的非极大值抑制方法提取有效角点。通过5组角点检测对比试验结果数据分析,不同类型图像的角点检测准确率均有提高,高分二号遥感影像的角点检测准确率提高27.06个百分点,可以初步得出,该算法相比传统Harris角点检测算法不但能够自动计算角点检测的最佳阈值,而且能够更准确地定位角点和去除边缘伪角点,从而提高了角点检测的精确度,该研究可为农业遥感影像数据检测提供参考。

基于动态分块阈值去噪和改进的GDNI边缘连接的溢油遥感图像的边缘检测算法

海上溢油图像的边缘检测技术是最重要的海上溢油监测技术之一。无论是溢油的识别、位置的确定或者溢油量的获取,都需要首先确定溢油区域的边界信息。针对溢油图像的特点,提出了一种新颖的边缘检测算法。该算法由3部分组成:"非极大值抑制"实现了溢油图像的候选边缘检测;动态分块阈值算法实现了对噪声、伪边缘的清除,使获得的边缘更连续;改进的GDNI边缘连接算法实现了对去噪后图像中的中断边缘点的准确连接。通过实验结果证明,提出的算法能够得到清晰连续的溢油遥感图像的边界信息,较好地实现了具有低对比度、模糊边界以及噪声问题的溢油遥感图像的边缘检测,且具有很好的实时性。根据本算法得到的边缘检测信息,海上溢油能够更加容易和快速地被识别。

基于改进ORB算法的特征检测与匹配研究

针对传统ORB算法中阙值选取不具有普适性,易受光照影响,纹理信息提取能力弱且特征点易产生富集情况的缺陷,提出改进的ORB特征提取与匹配算法。首先以待检测点为中心进行区域划分,其次利用自适应阙值判断待检测点,并使用自适应范围的非极大抑制算法解决特征点富集问题,提高均匀性。然后使用各项异性扩散滤波提高纹理信息提取能力,最后结合双边滤波改进描述子点对,结合PROSAC算法消除误匹配。实验结果表明,改进后的算法对光照有较强的适应能力,提高了纹理特征提取的能力,特征点分布均匀,改善了富集效应,光照条件下的匹配精度得到提高,具有更好的适应能力。

基于灰度均值的自适应FAST角点检测优化算法

光照不均、突变引起的灰度变化会影响图像特征检测效果。为此,设计一种基于灰度均值的自适应FAST-9-12角点检测算法。首先,利用特征点的延展性设计一种小面积双重检测模板,减少像素点与中心点的比较次数,提高区域正检率和检测速度;其次,依据图像局部灰度均值,在每个像素点检测模板内自适应调整阈值,避免灰度变化影响检测效果;最后,根据柔性非极大值抑制的思想设计角点半径抑制原则,筛选鲁棒性更强的角点。在Inria遥感影像数据集上的实验结果表明,FAST-9-12角点检测速度比FAST-12-16,FAST-9-16两种模板提高22%左右,因自适应阈值的提取方式不易受光照影响,检测准确率分别提高4.16和3.11个百分点,实现了图像特征快速和精准检测。

基于改进Canny算法的焊缝图像边缘检测

目的 针对复杂环境下焊缝图像的边缘检测问题,基于传统的Canny算法,将中值滤波替换高斯滤波,并将非极大值抑制(NMS)进行改进,得到一种面向复杂环境的改进Canny算法的焊缝图像边缘检测方法。方法 对焊缝图像进行中值滤波,保留图像的边缘信息,平滑区域内的细节,接着利用梯度方向局部均值偏差进行改进的非极大值抑制,综合考虑梯度幅值的大小和梯度方向对焊缝边缘检测的影响,最后使用双阈值法检测和连接边缘,根据焊缝图像的特点选择相应的阈值,既可以保证边缘检测的结果的准确性,也可以有效地避免一些噪声干扰。结果 与传统的Canny算法和其他一些滤波器改进的Canny算法等进行对比分析,所提出的方法的边缘保持度和边缘线性连接程度效果是最好的,边缘保持可以使检测结果保留原始焊缝图像的60%左右,同时边缘的连接程度相较于传统的Canny算法均有所提升,并且对焊缝图像中伪边缘的抑制效果也有所改善。结论 所提出的改进的Canny算法通过对滤波、NMS算法的综合优化,可以有效地检测出焊缝图像中的边缘信息,且有良好的焊缝图像边缘检测效果。

基于改进R-FCN的行人检测算法

针对现有行人检测算法中存在的类人物体误检为行人、小尺度行人的漏检及多个行人重叠时的漏检等问题,提出了一种改进的行人检测算法。基于R-FCN框架,结合行人检测的特殊需求,选择适合的主干网络,使之提取的行人特征更有区分度;引入可变形卷积,提升了行人不规则区域的特征提取能力,降低了类人物体误检为行人的概率;通过多路径检测结果融合,增加了检测框架对不同尺度行人的敏感性;改进了检测锚框,提高了锚框的生成质量;改进了非极大值抑制算法,改善了重叠区域行人漏检问题。实验结果表明,论文的算法在Caltech数据集上的精度高出原算法10.02%。

改进YOLOv5s算法的无人机小目标检测方法

针对无人机视角小目标检测出现目标漏检、误检和精度不高的问题,研究适用于无人机视角下的YOLOv5目标检测算法。首先,为了使网络学习到更多的特征,在主干网络中引入轻量化的MobileNetV3_Small算法,增强模型特征提取能力的同时降低了参数量和运算量,方便部署到无人机设备。然后,为了加强模型在目标聚集的情形下以降低漏检并提升检测精度,替换原始非极大值抑制算法为Soft-NMS。实验结果表明,改进的模型在VisDrone2019数据集上检测精度达到34.7%,相比于YOLOv5s算法精度提高5.4个百分点,同时降低了模型的参数和浮点运算量,便于部署到无人机设备,使得改进后的算法可以更好的应用于无人机视角下的图像目标检测任务中。

Canny算法的改进及其硬件的实现

传统的Canny边缘检测算法是先对图像进行平滑,然后利用二维滤波器计算图像的梯度值,从而得到梯度直方图。通过基于梯度直方图来选取双阈值,最后进行基于双阈值的非极大值抑制,得到边缘检测的图像。为了能很方便地在硬件中实现这种算法,对传统的Canny算法进行了适当的改进,利用模板来代替原算法中的卷积,从而使得该算法在FPGA(Field Programmable Gate Array)中可以完全利用原理图来实现。