基于改进Faster R-CNN的遮挡行人检测

遮挡是导致行人检测任务中漏检情况发生的主要原因之一,影响行人检测器的性能。为了增强检测器对遮挡行人的检测能力,论文提出一种改进的Faster R-CNN检测器,采用HRNet作为Faster R-CNN的特征提取网络,用于提取强语义的特征。在模型的训练和测试阶段,分别引入NMS-Loss和Soft-NMS,减少拥挤场景中由非极大值抑制算法(NMS)造成的漏检。此外,使用CrowdHuman行人数据集进行预训练,利用其中丰富的遮挡样本,增强Faster R-CNN检测器对遮挡行人目标的检测能力。在Caltech数据集上对本文提出的改进方法和其他对比方法进行了性能评估。实验结果表明,本文提出的改进方法在总体漏检率上具有优势,其中严重遮挡行人目标上的对数平均漏检率为29%,明显优于其他对比深度学习检测器。

基于双目视觉的部分遮挡行人检测算法

针对行人被障碍物部分遮挡导致的检测准确率降低问题,提出了基于多特征融合的树形路径半全局立体匹配的部分遮挡行人检测算法。使用简单线性迭代聚类(simple linear iterative clustering,SLIC)算法进行超像素分割,提升行人的轮廓信息,并使用多特征融合的树形路径半全局立体匹配算法生成深度图;对行人信息和背景信息及障碍物信息使用自适应分割算法进行分离,获取感兴趣区域;将感兴趣区域放置在行人特征明显且稳定的头肩部,进行感兴趣区域的约束;使用降维梯度直方图特征(histogram of gradient,HOG)进行特征提取并生成样本集,训练支持向量机(support vector machines,SVM)分类器,最终实现部分遮挡的行人检测。实验表明,所提算法与其他行人检测算法相比,在行人部分遮挡场景下,有着更高的行人检测准确率,证明所提算法的有效性。

基于深度学习的遮挡情形下行人检测

行人检测作为目标检测领域的热点之一,在无人驾驶汽车辅助系统、智能监控系统以及服务型智能机器人等领域有着广泛的应用价值,主要是指对于视频或者图片中的行人目标进行类别判断以及定位的过程。随着技术发展,对行人检测技术的籍度要求也越来越高,对遮挡情况下的行人检测技术进行了研究,在复杂场景下还存在光照,天气等随机性较强的自然因素,这些自然因素和人为因素的结合给目前已有的行人检测算法带来了很大的挑战,因此介绍基于深度学习的遮挡情况处理方法,对遮挡下的行人检测技术在未来发展中亟待解决的问题提出展望。

改进YoloV5的行人检测算法

针对在行人行进过程中出现拥挤、遮挡、目标尺寸小所导致的行人检测精度低和效果不佳等问题,通过修改YoloV5算法的backbone特征提取网络,加入注意力机制,优化后处理阶段的目标框选定方法等改进措施,提出一种基于YoloV5算法的YoloV5-PED改进算法。结果表明:与YoloV5算法相比,YoloV5-PED算法的平均精度均值(mAP)提升3.8%,验证该算法检测行人时具有良好的效果。

基于特征通道和空间联合注意机制的遮挡行人检测方法

遮挡是行人检测任务中导致漏检发生的主要原因之一,对检测器性能造成了不利影响。为了增强检测器对于遮挡行人目标的检测能力,该文提出一种基于特征引导注意机制的单级行人检测方法。首先,设计一种特征引导注意模块,在保持特征通道间的关联性的同时保留了特征图的空间信息,引导模型关注遮挡目标可视区域;然后,通过注意模块融合浅层和深层特征,从而提取到行人的高层语义特征;最后,将行人检测作为一种高层语义特征检测问题,通过激活图的形式预测得到行人位置和尺度,并生成最终的预测边界框,避免了基于先验框的预测方式所带来的额外参数设置。所提方法在CityPersons数据集上进行了测试,并在Caltech数据集上进行了跨数据集实验。结果表明该方法对于遮挡目标检测准确度优于其他对比算法。同时该方法实现了较快的检测速度,取得了检测准确度和速度的平衡。

基于RDB-YOLOv4的煤矿井下有遮挡行人检测

针对煤矿井下数字化人员检测过程中行人易被大型设备遮挡而导致的误检、漏检等问题,提出了一种基于RDB-YOLOv4网络的煤矿井下有遮挡行人检测方法。该算法以YOLOv4为基础网络架构,在CSPDarknet-53特征提取网络中加入了残差密集块(residual dense block,RDB),对不同层次的特征实现跨层传递和融合,连续的连接保证了低级和高级特征信息的存储和记忆,使得完整有效的局部特征能准确预测被遮挡行人的信息。对比当前主流目标检测算法和遮挡处理检测算法,该算法在PASCAL VOC 2007公开数据集和煤矿井下行人数据集下有效提升了测试的平均精度(average precision,AP),相比YOLOv4在两组不同数据集测试的平均精度分别提升了2.74个百分点和3.5个百分点(IoU=0.5)。

遮挡情形下的行人检测方法综述

行人检测在智能交通、智能监控、无人驾驶、行人分析等领域都有广泛应用,随着技术发展,对行人检测技术的精度要求也越来越高。对遮挡情况下的行人检测技术进行了研究,根据遮挡物的不同,将遮挡分为非目标造成的遮挡及需要检测的目标造成的遮挡。分别总结了处理遮挡情况的传统方法和深度学习方法,并对每一类方法模型的主要思想和核心问题进行了分析和讨论。对遮挡下的行人检测技术在未来发展中亟待解决的问题提出展望。

基于注意力增强的行人与头肩级联检测算法

在监控视频中,行人会存在不同视角、不同程度的遮挡问题,导致当前行人检测器漏检率、错检率较高,于是提出了一种注意力增强下的行人整体与行人头肩区域级联检测的行人检测器。提出一种新的通道注意力机制,称为全卷积通道注意力机制;针对分类和回归任务分别融入相适应的注意力机制,来增强有效的检测特征,抑制背景特征信息;设计行人整体与行人头肩区域级联行人检测器,通过行人整体与行人头肩区域的匹配算法,级联地处理检测结果。该算法,尤其针对下半身严重遮挡的情况,极大降低了遮挡行人的漏检率。实验结果表明,在Caltech公开行人检测测试数据集Reasonable(合理子集)的对数平均漏检率降低到5.37%,尤其在Occ=heavy(严重遮挡子集)上的对数平均漏检率降低到23.33%,同时在ETH和CityPersons行人检测数据集上,该算法亦拥有较好的检测效果。

面向遮挡行人检测的自适应收缩非极大值抑制方法

基于视觉的行人检测是目标检测中的重要研究方向.如今主流的基于锚框的行人检测器输出的结果是大量冗余的,在结果输出之前需要对冗余预测进行非极大值抑制,因而非极大值抑制的效果将直接影响检测器的性能.行人检测任务中最大的挑战在于目标之间互相遮挡的现象,而严重重叠的目标使得传统的基于固定阈值的非极大值抑制方法难以在高召回率与低虚警率之间取得平衡.针对以上问题,提出一种根据重叠度自适应收缩预测框的非极大值抑制方法.根据对应目标的重叠度将预测框进行自适应的收缩,以降低预测框之间的重叠度.对收缩后的预测框进行非极大值抑制,可避免高重叠预测框对处理结果的影响.此外,指向性不明确的预测框将影响本算法的性能,为此提出一种中心点排斥损失函数,通过在重叠框的中心点之间施加排斥力来减少介于两目标之间的指向性不明确的模糊预测框数量,增强自适应收缩非极大值抑制算法的效果.仿真实验结果表明,所提算法可以有效提升基于锚框的检测器对重叠行人目标的检测性能.

基于注意力机制的遮挡行人检测算法

针对真实场景中因行人相互遮挡难以被精确检测的情况,提出一种基于注意力机制的特征提取增强检测算法。首先,通过添加注意力模块学习特征通道间关系和特征图空间信息,增强对行人目标可视区域的特征提取。其次根据行人数据的实际尺寸,采用k-means++算法对行人标注进行聚类,确定锚框(anchor)大小及比例。利用距离交并比损失函数(DIOULoss)设计检测器的损失函数,使得检测框的回归更关注候选框与真实框的交并比与两框的中心距离。最后使用新设计的非极大值抑制算法(DSoft-NMS)保留更精确的预测框。所提方法在CityPersons和WiderPerson数据集上进行了实验,结果表明该方法在遮挡行人检测方面具有更高的检测精度,同时网络结构简单,方便后续研究。