基于深度学习的教室快速头部检测算法

快速准确的定位是智能考场监测与课堂行为分析的基础。当前较为成熟的面部检测与人体检测方案易受到遮挡、大视角变化的影响,通过对已有的快速人脸检测算法RetinaFace进行迁移学习,并改进其特征金字塔中特征融合策略,提出了一种新的适用于教室场景下的快速头部检测算法。此外,对已有对数据集进行挑选,并自行收集数据,进行人工标注,组成新的教室场景下头部检测数据集。实验结果表明,该算法可以快速准确地定位教室场景下人员头部的位置,并能够在CPU进行快速推理。

基于边缘背景差法和Hough变换的公交乘客头部检测方法研究

为提高公交乘客检测的准确率,介绍了一种改进的背景差法——将当前图像和背景图像提取边缘再做背景差。该方法受光照条件变化和干扰物的影响较小,能够有效提取目标边缘;在此基础上通过Hough变换获得乘客头部的圆形轮廓,然后从视知觉角度分析并除去检测到的虚假轮廓,从而实现乘客头部的识别。实验结果表明,该方法简单,易于操作,识别率高,为公交乘客流量统计奠定了良好的基础。

基于SSD的行人头部检测方法

Faster R-CNN、SSD、YOLO都是针对行人整体检测,在人群密集场景检测精度低,为有效解决遮挡严重场景的行人检测问题,提出改进的SSD行人头部检测方法,使用K-means++聚类得到SSD先验框规格。针对SSD小目标检测的不足,建立改进SSD头部检测模型,利用SSD网络目标特征提取,添加类别预测和位置预测两个旁支网络实现特征分离。类别预测特征图采用上采样方式融合高语义,位置预测特征图采用下采样方式融合细节信息,融合两个预测结果得到最终目标。实验结果表明,该方法能实时准确地定位行人头部,有效地解决行人遮挡问题,提升检测精度。

基于Kinect景深数据的头部检测方法

提出了基于景深数据的头部检测方法,该方法利用微软公司最新推出的Kinect Xbox360图像传感器采集的景深数据,经过二维倒角匹配和三维头部模型两个步骤,完成了人体头部图像的检测。

基于小波神经网络的头部检测技术

文章所述头部检测方法,首先采用Mallat小波分解提取的头部特征,作为神经网络的输入,通过构造训练集对BP网络进行训练,自举训练方法提高了神经网络的泛化能力。在此基础上,通过在整个图象上自左至右、自上至下移动窗口,用训练好的神经网络对待识模式进行识别,最后根据启发式规则进行后处理。该算法已经应用于头部跟踪项目中,取得了较好的效果。

一种基于多特征融合的头部检测算法

在基于图像识别技术的教学录播系统中,通常需要对发言学生进行自动识别和定位,以便摄像机给出该学生的特写。针对该问题提出了一种基于多特征融合的室内学生头部检测算法。该算法首先对头发的颜色特征设定阈值二值化图像来得到头部的候选区域,然后融合人体头发区域的形状特征以及头发下方脸部的肤色特征确定全体学生头部区域。当发言学生起立后,可通过头部轮廓中心点在视频图像竖直方向的坐标变化判断该学生。应用该算法对课堂多个角度的视频图像进行处理,实验结果表明该算法能有效检测出学生头部区域。

HDNet:一种轻量级的无锚行人头部检测算法

为了提高行人检测的准确率和检测速度,提出一种基于全卷积单目标检测算法(FCOS)改进的轻量级行人头部检测算法(HDNet).算法使用M-ShuffleNetV2网络作为模型骨干网络,提高模型的检测速度;在局部空间特征融合模块中引入特征金字塔结构,通过对不同特征层之间的特征进行融合,增强模型的局部特征提取能力;在全局混合特征注意力模块中引入注意力机制,增强模型对全局特征的提取和使用能力.实验结果表明:算法在公开数据集BrainWash、Scut-Head-A和Scut-Head-B上的平均精度(AP)分别为92.0%、91.9%和92.3%,优于其他相关算法;算法的每秒传输帧数(FPS)为54.0,优于YOLOv3算法的52.1和FCOS算法的28.1.改进后算法能够充分利用行人的有效特征,满足了复杂场景下行人头部检测任务的各项要求.

结合多尺度反馈的行人头部检测

针对密集人群中行人躯干部位易被遮挡、小尺寸行人难以检测、检测速度慢等问题,提出一种结合多尺度反馈的行人头部检测方法用于行人检测.该方法首先以YOLOv3为网络原型,在特征提取网络中新增由两倍下采样得到的特征图以提升对小尺度行人的识别.其次采用多尺度反馈将感受野较大的分支融合到感受野较小的尺度分支上以引入全局上下文信息来提升对高密度人群的识别能力.本文在INRIAPerson,PASCALVOC2012,WiderFace等数据集上进行了实验,实验结果表明,提出的方法在行人检测的精度和速度上都有了较大提升,检测精度最大提升了5.9%,检测速度最快为0.1432秒/张.

基于S^3FD的室内头部检测方法

为实现室内小尺度、密集、模糊的头部检测,提出一种基于S^3FD的室内头部检测方法。利用ATSS算法改进先验框匹配策略,增加模型性能,同时加入SAPD算法修改位置损失函数,改善注意力偏差问题。实验结果表明,该方法能够准确定位室内头部目标,有较高的检测精度,可以用于现实应用场景模块构建。

YOLOv4智慧课堂头部检测

目标检测广泛应用在人脸检测、行人检测、车辆检测等领域。目前从图片和视频中需要提取更多信息和特征,这就对网络的准确性和实时性提出了更高的要求。特别是在小目标检测方向,小目标一般存在分辨率低、图像模糊、携带的信息少,导致特征表达能力弱,即在提取特征的过程中收集的信息较少。

复杂环境下的头部检测方法研究

在复杂背景下进行头部检测是智能视觉监控的重要组成部分,其目标是在图像或图像序列中搜索人体头部位置。它可广泛应用与人体运动检测、运动跟踪以及运动分析等领域。本文分析了复杂环境下头部检测过程包括头部特征以及检测算法,介绍了尺度的概念,并讨论其在头部特征检测中的可用性。

基于低分辨率红外阵列传感器的头部运动检测

在驾驶和在线课堂这类持续时间较长的行为中,人们容易出现分心而导致事故发生或上课效率差。为检测这类分心行为,提出了一种基于低分辨率红外阵列传感器的头部运动检测方法,它在实现行为监测的同时也保护了个人隐私。首先,基于图像处理方法提取了人体的显著区域;然后设计了一种三维图像融合算法来提取时空域的变化信息;最后,设计了一个改进的残差网络来实现头部运动分类。面向驾驶和在线课堂应用场景设计了10种头部运动。实验结果表明,在50 cm到100 cm的检测范围内,平均识别率为96.76%,处理速度为9帧/s,优于现有算法。将该系统应用于车内实测,也达到了93.7%的准确率。

课堂场景密集人头检测技术

在课堂考勤系统中,人头检测对于人数统计和学生定位非常重要。为解决课堂人头密集场景下小目标和互遮挡对象难识别问题,本文提出3种课堂人头检测模型,分别是YOLOv5n+GFPN、YOLOv5n+GFPN+C3_Faster和YOLOv5nl+GFPN+C3_Faster,采用的损失函数有CIoU、Focal-CioU和MPDIoU。实验结果表明,MPDIoU损失函数结合YOLOv5nl+GFPN+C3_Faster的mAP@50为0.821、GFLOPs为7.2,说明YOLOv5nl+GFPN+C3_Faster在MPDIoU损失函数下,能够有效提升课堂人头检测性能。

可穿戴式头部摆动姿态检测系统

为解决传统人机交互方式对于部分重度残疾人士或在某些特定场合不适用的问题,设计了一种可穿戴式头部摆动姿态检测系统.首先,由头部摆动姿态检测模块采集头部的原始姿态数据;其次,在时域上分析三轴加速度数据,并利用四元数姿态解算三轴角速度数据;然后,结合三轴加速度和角速度数据确定5种头部摆动姿态相对应的阈值范围,通过滑动窗口法区分指令动作和无意识动作,完成头部摆动姿态检测;最后,采用蓝牙无线通信方式将指令传输至蓝牙子系统模块,并通过串口在上位机显示结果.试验结果表明,该系统可以准确检测头部摆动姿态、区分无意识头部动作,头部摆动姿态检测平均正确率达96%.该头部摆动姿态检测系统具有结构简单、准确率高、成本低、阈值可调等优点.

基于局部轮廓特征的无人机头部检测跟踪算法

针对无人机的结构特点,提出了一种基于目标轮廓提取、轮廓自动分段、头部定位以及头部模板匹配四个模块的目标头部检测跟踪算法。首先对第一帧图像提取目标轮廓,并通过计算轮廓点的变化率,对轮廓进行自动分段,得到目标的4个局部轮廓点列,进而根据头部轮廓点列的特点,完成头部轮廓筛选,然后利用基于目标中轴的二次曲线拟合,实现头部顶点的检测,并在轮廓图中提取头部模板。对后续帧,通过与前一帧进行头部模板匹配,完成目标图像序列的头部检测跟踪。实验表明,该算法能够有效地实现无人机头部的检测跟踪。

多尺度特征融合的双通道SSD行人头部检测算法

针对行人头部易受光照变化和遮挡的影响而导致目标检测准确率较低的问题,提出一种基于多尺度融合的双通道SSD(Single Shot Multibox Detector)行人头部检测算法。首先在SSD网络上增加一条深度通道,将带有深度信息的头部特征与SSD网络的特征进行融合,形成双通道SSD网络;然后在双通道SSD网络的基础上,将具有丰富语义信息的高层特征图与低层特征图进行特征融合,实现更精确的头部定位;最后重新调整SSD的先验框以减少SSD网络的计算量。实验结果表明,在光照和遮挡的情况下,相比于传统SSD目标检测算法,改进后算法的检测精度提高了12.9个百分点,其可有效解决光照变化和遮挡对行人头部检测的影响。

基于RDM-YOLOv3的头部检测

现有的通用检测方法在小目标检测上仍存在漏检率较高的问题。为了提高头部的检测率,在YOLOv3基础上提出了ResNet DenseNet MDC(Mixed Dilated Convolution)YOLOv3(RDMYOLOv3)目标检测网络。首先改进了YOLOv3的特征提取网络DarkNet53,提出了一种基于ResNet和DenseNet的特征提取网络RDNet,以提取更多的语义信息。然后,使用不同膨胀率的空洞卷积对特征层进行采样,构建混合空洞卷积结构,提高对小目标的敏感度。使用RDMYOLOv3与其他方法在Brainwash数据集和HollywoodHeads数据集上进行对比实验,AP(Average Precision)值分别达到了93.1%和86.8%。所提方法的实验结果优于其他方法,对小目标的检测性能显著提升。

基于RGB-D图像的头部姿态检测

在经颅磁刺激治疗过程中,准确且快速地检测人体头部姿态至关重要。针对基于二维彩色图像的头部姿态估计对环境、姿态敏感的问题,文中提出了一种联合彩色图像与深度图像的头部姿态检测方法。通过彩色图像检测人脸特征点的二维位置信息,结合深度信息定义三维头部坐标系;然后在现有的ICP点云配准算法的基础上,提出了一种粗配准方法。通过计算待检测头部点云与标准头部点云之间坐标系的变换关系得到初始位姿参数,以防止点云配准陷入局部最优局面。实验表明,该算法能够在光源均匀且充足的诊疗室环境中准确地检测人体头部姿态,提高头部姿态角度大时姿态估计的鲁棒性。

基于集成学习的人眼定位和头部状态检测研究

针对人眼定位中的实时性检测问题,设计了基于Viola-Jones算法的人眼实时检测系统,通过MATLAB控制外接或网络摄像头对检测到的人眼图片进行实时读取和实时定位,通过正面图、侧视图、俯仰图的检测,表明人眼实时定位系统检测效果较好并具有很好的鲁棒性。针对小数据集对头部状态的分类效果较差的情况,使用随机森林算法将俯仰角和偏航角的分别用HOG-LBP融合特征和Haar-like特征分类,再将得到的俯仰角和偏转角进行融合,在Pointing’04数据集上对比直接分类准确率提升了4.5%。

教学环境下的头部姿态检测系统

在线上教育越来越普及的今天,人们往往只迷恋于自己学了几门课程,看了几个视频,家长往往也只是单纯的为了让孩子学而去报,但是之于孩子真的有没有在学,有没有认真去看,或者学生在观看过程中有没有不自觉的走神而错过哪些内容,这些问题的出现大大影响了在线教育的质量水平,往往只是达到了量而达不到质的要求。针对此问题,本文提出了一种教学环境下的头部姿态检测系统,该系统首先利用haar特征以及svm分类器对人脸部位进行检测,检测到目标后,利用基于meanshift的跟踪算法对目标区域进行跟踪,防止出现用户扭头或者低头抬头等动作导致人脸检测目标丢失问题,然后利用光流法追踪目标区域左右、上下两组子区域的光流来检测用户到底是头部平移还是发生了扭头抬头等动作,并将此结果在系统内表示出来。