基于多尺度特征融合的YOLOv3行人检测算法

随着深度学习技术在计算机领域的普及与推广,行人检测技术得到进一步的提升,但在一些场合仍然存在较大的问题,例如行人大小尺度不一、密集行人的检测,在以上两种情况下,行人检测性能剧烈下降,存在较多的漏检、错检的情况。针对行人大小尺度问题,论文提出在YOLOv3算法的特征提取网络中引入多尺度特征融合模块,改变原来多个卷积层堆叠的残差单元,增加特征提取网络深度,提升网络对不同尺度的行人特征提取能力,从而提升行人检测算法的检测精度和鲁棒性。实验表明,在Caltech、On_merge数据集进行训练,改进算法的平均精准率比基准算法分别高出其5.49%,2.26%。

铁路周界入侵目标多尺度特征感知算法

准确识别侵入周界范围内的人和大型牲畜是铁路周界入侵视频智能分析技术的重点内容,对保障铁路安全运营具有重要意义。基于现有目标检测算法难以处理铁路监控场景中入侵目标呈现显著尺度变化的状况,提出一种多输入双输出神经网络(Multiple Input Double Output Network,MIDO-Net)和基于自适应特征加权融合的目标多尺度特征感知算法。首先,通过MIDO-Net多层级联的多输入和双输出网络结构,提取图像目标更丰富的多尺度特征信息;其次,依据骨干网络多阶段的特点,先将多级特征上采样至统一分辨率,再利用注意力模块和自适应参数对多级特征进行加权;然后,将特征输入到检测头中完成铁路周界入侵的识别;最后,通过视觉目标类别(Visual Object Classes,VOC)公共数据集和制作的多场景、多尺度铁路异物侵限数据集,对算法进行验证。结果表明:提出的多尺度特征感知算法在VOC公共数据集中的检测精确率达83.3%,在多场景、多尺度铁路异物侵限数据集中的检测精确率达91.1%,平均召回率达56.2%,均优于当前广泛使用的各种特征提取骨干网络;算法检测速率为45帧·s^(-1),优于同类型的骨干网络,且能满足铁路场景的行人实时监测需求。

基于图像分块的多尺度Harris特征点检测算法

通过分析H arris特征点检测算法在应用中的不足,提出一种基于图像分块的多尺度H arris特征点检测算法,解决了特征点聚簇现象,检测出的特征点分布均匀.实验结果表明,该算法具有精确性、有效性和鲁棒性,为进一步图像特征点匹配工作提供了保证.

一种基于尺度不变特征点的运动目标检测算法

针对PTZ(Pan/Tiit/Zoom)摄像机的运动目标检测,提出了一种基于尺度不变(Scale Invariant Feature Transform,SIFT)特征点的运动补偿解决方案.首先,采用相邻两幅图像特征点匹配的方法获得运动补偿,从而解决了PTZ摄像机的自主运动带来的问题;然后利用时间差分法得到运动目标的区域;晟后利用形态学中的腐蚀和膨胀方法去除噪声.测试结果验证了算法的实用性和有效性.

基于尺度不变特征变换特征点应用于印刷检测的快速匹配算法

基于机器视觉的质量检测在印刷行业的应用日益重要,而图像匹配算法是其中的关键步骤。针对此问题提出一种应用于印刷行业的快速高精度匹配算法。首先利用尺度不变特征转换(SIFT)算法精确稳定地提取关键点,然后通过基于灰度相关系数的模板匹配算法在定位图像与模板图像的关键点之间找到匹配关系,并结合随机抽样一致(RANSAC)方法剔除错误匹配,从而使得整个快速匹配算法高效、稳定、准确。与SIFT算法比较,该算法不仅在时间上快很多,能够满足实时应用的要求,并且极少出现错误匹配。

基于多尺度交互式残差结构的图像显著目标区域检测

为了解决显著目标检测中不同深度特征信息的有效提取与融合问题,设计了一种基于多尺度交互式残差模块的图像显著目标区域检测模型M-IRNet。基于深度学习算法框架,搭建了多尺度交互式残差结构模块IRM,提取具有高表征能力的多尺度特征信息,抑制噪声干扰,获取表征细节信息的低层特征信息和深层语音信息;辅助以双方向传播策略,并将不同深度的上下文信息有效融合,浅层的细节信息融入较深层信息,同时高层的语义信息调节低层信息,实现图像显著目标的定位与检测。在公开数据集上的实验结果表明,所设计的图像显著目标区域检测模型具有一定的优势,在PASCAL-S数据集上MAE降到了0.092,而在DUT-OMROM数据集上F-measure升到了0.763。通过提取更有效的多尺度特征,增加浅层和深层的特征比率,不仅提高了显著目标的细节特征表示能力,同时还增加了深层语义信息的定位能力,使应用于图像显著目标检测模型检测精度提升。

基于改进YOLOv5s的面向自动驾驶场景的道路目标检测算法

在复杂道路场景中检测车辆、行人、自行车等目标时,存在因多尺度目标及部分遮挡易造成漏检及误检等情况,提出一种基于改进YOLOv5s的面向自动驾驶场景的道路目标检测算法。首先,利用深度可分离卷积替换部分普通卷积,减少模型的参数量以提升检测速度。其次,在特征融合网络中引入基于感受野模块(receptive field block,RFB)改进的RFB-s,通过模仿人类视觉感知,增强特征图的有效感受野区域,提高网络特征表达能力及对目标特征的可辨识性。最后,使用自适应空间特征融合(adaptively spatial feature fusion,ASFF)方式以提升PANet对多尺度特征融合的效果。实验结果表明,在PASCAL VOC数据集上,所提算法检测平均精度均值相较于YOLOv5s提高1.71个百分点,达到84.01%,在满足自动驾驶汽车实时性要求的前提下,在一定程度上减少目标检测时的误检及漏检情况,有效提升模型在复杂驾驶场景下的检测性能。

面向民机可视导航的场面多尺度目标检测

民航飞机视觉辅助驾驶系统通过机载视觉传感器获取周边威胁态势信息,为飞行员提供辅助决策等信息,但是机载视觉传感器获取的机场场面威胁目标尺度变化大,且机载平台算力有限,现有的目标检测方法难以满足视觉辅助驾驶需求.针对上述问题,提出一种基于YOLOv5s算法的轻量化多尺度目标检测算法.首先,为增强场面小目标的特征表达,在加权双向特征金字塔网络(BIFPN)基础上,引入坐标注意力(CA)机制,设计CA-BIFPN特征融合网络,提高模型对多种尺度目标的学习能力.然后,设计GSConv解耦检测头,相互独立优化分类和回归目标,提高目标检测的精度.设计的跨级部分网络轻量化颈部模块可减少因引入解耦头增加的参数量,大幅提高整体网络的检测速度,实现场面目标实时检测.为了验证算法性能,构建机载视觉传感器滑行视角的实测数据、仿真数据组成的多尺度场面目标数据集.在该数据集上的实验结果表明,所提方法检测精度超过Faster R-CNN、SSD和YOLOv6、YOLOv7、YOLOX等经典多尺度目标检测算法,均值平均精度为71.40%,比YOLOv5s提高4.19个百分点;在机载计算仿真实验平台上,检测帧率达到71帧/s,满足实时检测要求.

基于自适应阈值与双特征的ViBe运动车辆检测算法

ViBe算法在运动车辆检测中容易产生鬼影和空洞现象,为此,提出一种融合双特征建模和自适应阈值的背景减除算法。用尺度不变局部三值模式特征和颜色特征对首帧视频序列构建背景模型后,结合2种特征的变化改进ViBe算法的判别方法。当某像素被判别为前景时,使用Otsu算法计算图像的最佳分割阈值并根据该阈值对前景像素点进行第二次判断,采用改进的ViBe更新策略更新背景模型。实验结果表明,相对ViBe算法,该算法可以抑制鬼影和空洞现象,提高运动车辆检测的精确度,且在光照变化时具有较好的鲁棒性。

基于FS-YOLOv3及多尺度特征融合的棉布瑕疵检测

为解决传统棉布生产工艺中瑕疵检测成本高、精度低、速度慢等问题,提出一种FS-YOLOv3(Four Scales YOLOv3)网络来自动检测棉布瑕疵.该网络结合K-Means++聚类算法,以交并比为距离度量获取较好尺寸的锚框,提高检测速度.设计了4个不同尺度的卷积特征图与深度残差网络中相应尺度的特征图进行融合,有效地学习样本特征.将Softer NMS算法作为预测框过滤机制,使得高分类置信度的边框位置更为准确.实验结果表明:使用FS-YOLOv3网络能有效提高低对比度、小尺度目标的棉布瑕疵检测精度,整体性能优于传统的检测方法.

基于轨迹特征关键点匹配的电压暂降同源数据精确检测算法

为弥补现有电压暂降同源检测算法的不足,提高同源检测算法的精度,提出了一种基于轨迹特征关键点匹配的电压暂降同源数据精确检测算法。首先,将电压暂降数据有效值(RMS)波形转换为灰度轨迹图片,基于尺度不变特征转换算法对电压暂降灰度轨迹图片进行分析,提取RMS轨迹的特征关键点;然后,利用特征关键点的梯度方向信息与待检测电压暂降数据的RMS轨迹进行匹配计算;最后,以匹配规则作为电压暂降同源数据判断的标准。所提算法可以很好地弥补现有同源检测算法中的不足,降低了对检测数据集的客观要求,具有更强的工程适用性及实际应用价值。

基于改进注意力与多尺度特征的车辆识别

为提高车辆检测算法精度,提出一种基于YOLOv5框架上增添新型轻量化注意力机制(novel lightweight attention module, NLAM)和多尺度特征检测层的算法。NLAM模块将深度可分离卷积的空间注意力模块和一维卷积的通道注意力模块进行并联融合,使NLAM模块参数量仅为8;增添多尺度特征检测层,提升小目标的检测精度。该算法在KITTI数据集训练和测试,实验结果表明,改进后算法平均精度为89.9%,相较于原始算法平均精度上涨2%,检测帧率为90 frame/s。该算法对车辆检测具有更高的小目标检测精度和更好的鲁棒性。

基于显著区域检测的SURF特征匹配优化算法

针对传统SURF匹配算法在特征点选取阶段选取了大量不符合匹配预期的特征点,增加了后期匹配的运算复杂度,提出一种SURF算子和显著区域检测相结合的方法。为使检测出的极值点和预期匹配的目标更加接近,用SURF算子构建出尺度空间图像后对该空间作显著区域检测,再对特征点赋显著度权值并通过孤立点剔除和局部冗余筛选出目标点,筛选后的特征点比传统方法得到的特征点数量明显减少,在降低时间复杂度的同时匹配精度提高了18%。特征匹配时引入RANSAC算法剔除误匹配点对,对匹配结果作进一步修正。实验表明,与传统SURF算法比较,改进算法在实时性和匹配精度方面均更优。

基于FP-growth算法的多尺度用电异常行为检测方法

异常用电行为检测直接关系到电力公司的利益。针对上述问题,提出一种基于FP-growth算法的多尺度用电异常行为检测方法。通过采集器远程获取用电数据,并对缺失数据填补和数据进行标准化处理。通过计算特征的重要性指数和贡献率选取多尺度用电行为特征。利用FP-growth算法建立特征与用电行为之间的关联规则,根据支持度和置信度判断是否存在异常,实现用电异常行为检测。实验结果表明,所研究方法的F1值始终高于0.8,说明该方法的检测更为准确。

一种基于小波域特征树量化的数字水印算法

首先使用尺度交互式特征检测算法提取图像小波域逼近子图的特征点,然后构造相应的特征树,最后对特征树所有节点进行量化以嵌入二值水印信息。水印信息嵌入到图像的特征之中,对JPEG,JPEG 2000以及高斯白噪音等多种处理具有较强的鲁棒性。

SIFT特征匹配和差分相乘融合的运动目标检测

针对运动目标检测的难点问题,提出了一种结合尺寸不变特征变换(SIFT)和差分相乘算法的运动目标检测方法。首先,用SIFT特征匹配算法配准运动图像的旋转、缩放和平移量,利用SIFT匹配的稳定性和准确性,精确补偿运动摄像机下的背景图像。然后,用差分相乘方法,准确分割出运动目标的轮廓。最后,通过实拍视频序列的试验,证明算法的有效性和可行性。系列实验显示,连续4帧图像差分相乘的方法即能够较好地满足应用要求。实验结果表明,SIFT特征匹配和差分相乘融合的方法具有较好的鲁棒性和抗噪能力,对于摄像机运动、亮度变化、遮挡等影响因素具有较强的适应能力。

改进YOLOv5的白细胞检测算法

针对白细胞数据样本少、类间差别小及目标尺寸小导致的检测精度低、效果不佳等问题,提出一种基于改进YOLOv5的白细胞检测算法YOLOv5-CHE。在主干特征提取网络的卷积层中添加坐标注意力机制,以提升算法的特征提取能力;使用四尺度特征检测,重新获取锚点框,增加浅层检测尺度,来提高小目标的识别精度;改变边框回归损失函数,以提升检验框检测的准确率。实验结果表明,对比标准的YOLOv5算法,YOLOv5-CHE算法的平均精度均值(mean average precision,mAP)、精准率和召回率分别提升了3.8个百分点、1.8个百分点和1.5个百分点,验证了该算法对白细胞检测具有很好的效果。

基于改进外部力的多尺度蛇算法

通过融入方向信息修改了仅基于梯度幅值的蛇模型定义 ,从而产生了新的动态轮廓线模型 .新模型可以明显地削弱虚假强边缘的影响 ;基于动态规划方法 ,给出了基于小波分解的多分辨率能量极小化算法 .由于结合了Mallat的小波边缘检测理论 ,该算法可以明显地降低时间消耗 ,在选择滤波器方面更具有柔性 ,而且降低了初始位置和参数敏感性 ,从而扩大了目标捕获区域并使得参数的调整得以简化 .

SURF算法及其对运动目标的检测跟踪效果

视频图像的特征点提取和描述是智能交通系统中运动目标跟踪的一项关键技术。由于场景的复杂性、环境的变化以及目标运动的影响,Harris角点检测算法和尺度不变特征变换(SIFT)算法的精度和稳定性都不够,而加速鲁棒特性(SURF)算法具有很强的鲁棒性,运算速度比Harris角点检测算法和SIFT算法有明显提高。应用SURF算法对视频图像进行特征点提取和匹配,并结合聚类分析和卡尔曼滤波对匹配的目标进行跟踪。实验表明,SURF算法对亮度变化具有很强的鲁棒性,并且速度比较快。

基于YOLOv5的增强多尺度目标检测方法

针对复杂场景下初始锚框难以匹配目标及多尺度检测能力不强的问题,提出一种基于YOLOv5的增强多尺度目标检测(EM-YOLOv5)方法。通过Kmeans++聚类算法,获得适应当前检测场景下的多尺度初始化锚框,使得网络更容易捕捉到不同尺度目标;在Bottleneck结构中增加多条不同尺度的并行卷积支路,在保留原有特征信息的同时融合多尺度的特征信息,增强模型的全局感知能力。在VisDrone2019、COCO2017和PASCAL VOC2012数据集上对提出的EM-YOLOv5s模型进行测试。实验结果表明,与YOLOv5s模型相比,mAP@0.5∶0.95、mAP@0.5等关键指标均有一定提升,在PASCAL VOC2012上,mAP@0.5∶0.95提升5.2%,而检测时间仅增加1.9 ms,说明EM-YOLOv5模型能够有效地提升通用复杂场景下的目标检测精度。