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...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。展开更多
文摘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。
文摘目的行人检测是自动驾驶、监控安防等领域的关键技术,为了解决目标检测算法在夜间复杂场景以及遮挡情况下造成的行人检测精度降低的问题,本文提出将低光增强算法(low-light image enhancement)添加到夜间行人检测任务中进行联合训练,并引入邻近感知模块(nearby objects hallucinator,NOH),提出了一种改进的夜间监控场景下的邻近感知行人检测算法(nearby-aware surveillance pedestrian detection algorithm,NSPDet)。方法为了提升夜间检测行人的准确率,在基线模型中加入低光增强模块(zero-reference deep curve estimation,Zero-DCE)。为了降低密集人群、遮挡造成的漏检、误检,利用NOH建模周围行人分布信息,提出了行人检测头(PedestrianHead)。为了减少模型参数,提升推理速度,本文利用深度可分离卷积将模型进行轻量化。结果在NightSurveillance数据集上进行3组消融实验,相比基线模型YOLOX(exceeding YOLO(you only look once)series),精度最优的NSPDet算法的AP(average precision)和AR(average recall)指标分别提升了10.1%和7.2%。此外,轻量化后的NSPDet模型参数减少了16.4 M,AP和AR分别衰减了7.6%和6.2%,但仍优于基线模型。在Caltech(Caltech pedestrian dataset)、CityPersons(a diverse dataset for pedestrian detection)和NightOwls(a pedestrians at night dataset)数据集上,与其他方法的对比实验表明,提出的夜间行人检测算法具有较低的平均误检率。结论提出的夜间行人检测算法,提升了基线模型夜间行人检测的精度,具备实时推理性能,在夜间复杂场景下表现出良好的鲁棒性。