一种改进RetinaNet的室内人员检测算法

由于现有的人员检测算法研究对象主要是室外直立行人,而室内人员姿态多变,且图像拍摄角度与室外行人差别较大,所以使用以往的检测方法得到的效果并不理想。基于此,笔者针对室内人员检测数据集提出了一种高精度检测模型。该模型以RetinaNet网络为基础,在残差网络中引入通道注意力模块,间接实现卷积层的随机失活,增强模型泛化能力;通过维度聚类算法找出锚点的最佳尺寸,并据此找到合适的特征图进行预测。实验表明,这种算法在室内人员检测数据集上检测精度可达99.84%,且在速度和内存占用方面也优于其他算法。

基于DE-YOLO的室内人员检测方法

目标检测的一个重要应用场景是对室内流动人员的检测与定位,为了降低模型的冗余度和提高检测的精确度,因此本文提出一种基于DE-YOLO的室内人员检测方法.通过使用K-means算法对数据集进行聚类,并设计出这种DE-YOLO深度卷积神经网络结构.通过DE-YOLO网络结构中的密集型连接,实现模型大小的压缩和特征信息的复用,最后对提取到的特征进行目标检测.在VOC2012数据集上进行实验表明,新改进的深度卷积网络应用性能有较大的提升.

基于毫米波雷达点云数据的室内人员信息检测

在使用毫米波雷达进行室内人员信息检测时,其信号处理阶段采用的静态杂波滤除算法有效地滤除了检测区域中包括墙壁、地面、桌椅等在内的静止目标,实现了对运动人员的检测,但同时会导致静止人员被漏检.为此提出按照径向速度把点云数据划分为动态数据和静态数据,先剔除动态数据,然后累积剩余的静态数据.在达到指定的累积帧数时,进行密度聚类,以簇的数量作为人员的数量,簇的中心坐标作为人员的位置.通过实验,验证了所提出方法的有效性,在室内办公场景下,人员数量统计平均绝对误差为0.81,人员位置估计均方根误差为0.1 m.

基于改进YOLOv4-tiny的轻量化室内人员目标检测算法

深度学习在室内人员检测领域应用广泛,但是传统的卷积神经网络复杂度大且需要高算力GPU的支持,很难实现在嵌入式设备上的部署。针对上述问题,该文提出一种基于改进YOLOv4-tiny的轻量化室内人员目标检测算法。首先,设计一种改进的Ghost卷积特征提取模块,有效减少了模型的复杂度;同时,该文通过采用带有通道混洗机制的深度可分离卷积进一步减少网络参数;其次,该文构建了一种多尺度空洞卷积模块以获得更多具有判别性的特征信息,并结合改进的空洞空间金字塔池化结构和具有位置信息的注意力机制进行有效的特征融合,在提升准确率的同时提高推理速度。在多个数据集和多种硬件平台上的实验表明,该文算法在精度、速度、模型参数和体积等方面优于原YOLOv4-tiny网络,更适合部署于资源有限的嵌入式设备。

基于联合学习的多视角室内人员检测网络

建立了室内人员检测数据集(IHDD),提出了基于联合学习的多视角室内人员检测网络模型(MVNN)。该模型由输入数据层、特征提取层、可变形处理层、可见性估计层、分类判别层等组成,并加入区域建议模型和多视角模型以提升算法的检测性能。在自建的IHDD数据集上的实验结果表明,与现有其他检测算法相比,MVNN算法的检测率更高;在人体目标呈现多视角、多姿态及存在遮挡等困难情况下仍有不错的检测效果,具有一定的理论研究价值和实际应用价值。