基于内容感知重组特征的车辆行人检测算法

在自动驾驶场景中,针对复杂背景对车辆和行人检测目标影响大、小目标检测精度不高的问题,提出一种基于内容感知重组特征和自适应融合的YOLOv5(content-aware reassembly of feature and adaptive fusion YOLOv5,CRAF-YOLOv5)车辆及行人检测算法。通过引入通道注意力机制形成多通道特征提取网络,增强复杂背景下目标特征的提取性能;在特征融合前段,通过内容感知重组特征进行上采样,并添加基于跳跃连接结构,强化浅层网络对小目标特征的表征能力;在特征融合后段,采用自适应权重融合方式学习不同尺度特征,实现深层和浅层特征的动态学习和深度融合。实验结果表明,该算法在BDD100K和KITTI数据集上车辆行人目标检测平均均值精度分别达到84.40%和93.35%,较YOLOv5基准算法分别提高了3.90%和0.45%。

基于改进YOLOv5s的车辆行人检测

针对车辆行人检测中容易出现小目标错检、漏检的问题,提出了一种基于改进YOLOv5s的车辆行人检测算法,首先在不改变原有路径聚合网络(path aggregation network,PANet)的条件下,从头部网络引出第4个检测头,提高对小目标的检测能力,其次在主干网络中设计CF模块来代替原有的下采样模块,增强特征提取能力,然后将Neck网络中通道数减半的C3模块重新设计为S-C3,减少Neck部分的信息丢失问题,最后重新构建空间池化金字塔(spatial pyramid pooling-fast,SPPF)为D-SPP模块,为Neck部分保留更加细致的特征,提高对目标的检测精度。实验采用KITTI数据集,对数据集进行类别合并、删除等处理。实验结果表明,改进后的算法与原算法在KITTI上相比Person、Cyclist类分别提高4%和3.7%,平均精度均值(mAP)mAP@0.5提高2.3%。并且对小目标错检、漏检的问题有明显改善。

基于改进的YOLOv5城市道路车辆行人检测方法

城市道路上车辆行人的检测是自动驾驶汽车环境感知功能中的核心要素之一。针对现有城市道路车辆行人检测任务在使用目标检测算法检测精度低,检测位置不准确等问题,提出一种基于改进YOLOv5的城市道路车辆行人检测新算法——HCA-YOLOv5目标检测算法。通过K-means++聚类算法重新设计并更新锚框初始值并将其匹配到对应特征层,以提高模型对检测目标的检测性能;通过利用城市道路图像中不同高度上的类别分部特点并结合Transformer结构改进HANet的注意力结构,提高模型对输入图像的全局上下文特征提取能力,加强网络对城市道路场景图片中不同类别的辨别能力。实验结果表明,在自动驾驶数据集KITTI上,所改进算法的均值平均精度(mAP)达到了91.93%,相比原YOLOv5算法mAP提高了2.92个百分点,满足了城市道路场景下车辆形容的准确率要求。

基于注意力机制的多尺度车辆行人检测算法

无人驾驶汽车在复杂多变的交通场景中能提前且准确检测到车辆行人的动态信息尤为重要。然而,无人驾驶场景下存在相机快速运动、尺度变化大、目标遮挡和光照变化等问题。为了应对这些挑战,本文提出了一种基于注意力机制的多尺度目标检测算法。基于YOLOv3网络,首先,使用空间金字塔池化模块对多尺度局部区域特征进行融合和拼接,使网络能够更全面地学习目标特征;其次,利用空间金字塔缩短通道间的信息融合,构造了YOLOv3-SPP+-PAN网络;最后,基于注意力机制设计了更高效的目标检测器SE-YOLOv3-SPP+-PAN。实验结果表明:相比于YOLOv3网络,提出的SE-YOLOv3-SPP+-PAN网络的平均精度均值提升了2.2%,且推理速度仍然保持智能驾驶平台下实时的要求。实验证明了所提出的SE-YOLOv3-SPP+-PAN网络比YOLOv3更加高效、准确,因此更适合于实际智能驾驶场景下的目标检测任务。

基于机器视觉的车辆行人检测系统技术综述

随着城市化进程的逐渐加快,城市道路交通环境的发展情况越来越复杂,人民群众日常出行的安全性很难得到保障。为了改善这种状况,车辆行人检测系统的应用受到了产业界的高度重视,能够及时的检测到运行中的行人,第一时间作出危险预测,从而有效的避免安全事故的发生。机器视觉是一种常见的行人检测传感器,本文将基于机器视觉的车辆行人检测系统中的关键技术进行分析,并且针对分析结果对行人检测系统技术未来的发展情况进行展望。

基于YOLO的车辆行人闯红灯检测系统

文章针对现有的交通管理部门闯红灯检测系统进行改进,目的在于弥补传统电子眼系统只能对机动车辆进行闯红灯自动识别的缺陷,探究将深度学习技术应用到交管部门闯红灯抓拍系统的可行性。首先,面向交通路口复杂的环境,文章运用轻量化的微型计算机Jetson Nano进行车辆和行人闯红灯检测,并向交通管理部门发送相关信息,帮助交警进行查证闯红灯行为。其次,系统通过多种方式采集数据集,运用快速、灵活的YOLOv5算法进行模型训练。最后,将模型部署到内置Linux系统的微型计算机上,完成系统检测的核心功能。

Haar小波下采样优化YOLOv9的道路车辆和行人检测

在当前智能化、信息化的大背景下,为了实现无人驾驶模式复杂环境中智能收集道路的行人和车辆目标,提出了一种基于Haar小波下采样(Haar wavelet downsampling,HWD)的YOLOv9算法(HWD_YOLOv9)用于车辆与行人目标检测。Haar小波的下采样操作,降低特征图的空间分辨率,尽可能保留了边缘、纹路等细节信息,有效降低了信息的不确定性。采用交叉熵损失和广义骰子损失之和作为网络的损失函数,可以有效地度量概率分布之间的差异,且逐像素进行骰子损失计算,便于优化网络。实验结果显示,在KITTY数据集上,所提模型的平均精度均值达到了95.86%,检测帧率达到了179 FPS。与YOLOv9相比,改进后的算法能够精确地识别出复杂道路上不同尺度的车辆与行人,改善了原检测算法中的计算容量的冗余和小目标的漏检问题,为智能化的无人驾驶提供了视觉技术支持。

基于YOLOv5s算法在行人车辆图像检测方面的改进和研究

针对城市交通环境复杂,行人和车辆检测结果存在漏检、误检、精度不高的问题,提出一种基于YOLOv5s的改进模型。改进模型采用EIoU损失函数,并引入了FocalEIoU损失函数,最后通过选用PASCAL VOC数据集来检验改进算法的效果。最终实验结果表明,改进后的YOLOv5s算法mAP提升4%左右,在检测精度上也有所提高,验证了本次研究的有效性。

车辆保护行人措施的现状与改进方向探索

行人作为弱势一方,街道上车辆需要对其进行保护,这是由于自2009年以来,我国汽车工业快速发展,已经成为了全球范围内最大的汽车产销国,汽车保有量不断增加,道路交通事故发生数量与死亡人数数量也相应增加,其中行人的安全状况尤其突出,他们在道路行走时甚至没有屏蔽体、安全带保护。所以,本文希望分析车辆保护行人的基本现状,通过交通事故统计与趋势分析、现有车辆的行人保护措施评估开题,深入综述行人保护中的主动与被动技术,并建立行人保护系统。最后分别从驾驶人以及行人行为角度来分析相关影响,并探索车辆保护行人措施的改进方向。

基于YOLOv5s的行人与车辆检测算法研究

针对城市交通环境复杂程度高,行人和车辆的检测结果精度偏低的问题。提出了改进的YOLOv5s行人与车辆检测算法。首先,在YOLOv5s加入SK注意力机制,同时选用GSConv模块替换网络中部分卷积模块,用于有效提升检测精度,同时保持网络参数量基本不变;其次,引入ECIOU损失函数,能够加快模型收敛;最后通过选用KITTI数据集来检验改进算法的效果。最终实验结果表明,改进后的YOLOv5s算法,在保证算法参数量基本不变的同时,可将行人与车辆平均检测精度从81.2%提升到了87.3%,验证了本次研究的有效性。

基于YOLOv10s的车辆与行人检测方法

针对城市交通场景日益复杂以及自动驾驶中行人与车辆实时检测精度亟须提高的问题,本文提出了一种基于YOLOv10s的车辆与行人检测方法。首先,对自动驾驶常用的KITTI数据集进行数据分类和格式转换的预处理;然后,将数据集按照8:1:1的比例随机划分为训练集、验证集和测试集;最后,采用YOLOv10s模型进行训练、验证和测试。实验结果表明,YOLOv10s在KITTI数据集上的平均精度均值为92.7%,其中Car类、Cyclist类和Pedestrian类的mAP值分别为98.4%、92.3%和87.4%,检测效果较为优秀。

基于Mobilenetv2-YOLOv4模型的行人车辆检测算法

无人驾驶关键技术不断突破,并在更多场景中得到应用。研究车辆行人自动化检测算法具有十分重要的意义。为了提升系统的检测效果,解决因目标物体尺寸太小、目标遮挡以及复杂环境等因素影响所导致的检测精度不高的问题,提出了一种改进的YOLOv4模型对数据集进行训练,采用轻量化网络Mobilenetv2代替YOLOv4中原有的主干网络,以此获取有效特征层,降低原有网络的运算量和参数量。实验结果表明,改进的Mobilenetv2-YOLOv4模型可以达到40.76%的平均精度,每个epoch的学习时间仅约12 min,既保证了识别精度又提高了检测速度。

基于注意力机制的深度学习行人车辆检测方法

针对当前交通目标检测方法计算量大、检测精度低的问题,提出一种基于改进YOLOv5的行人车辆检测方法。使用CECA模块替换YOLOv5中的C3模块,并在Backbone结构中添加CBAM注意力机制,使得网络能够提高关键特征信息的权重,降低其他信息的关注度,使用双线性插值进行上采样,优化模型对于较小目标和被遮挡区域的检测性能,以提高检测结果的准确度。实验结果表明,YOLOv5-EC网络的平均检测精度比原始网络提升了1.12%,达到了92.63%,与同类型算法相比都有明显提高。实验结果证明了算法在小目标和遮挡情况下检测时更加有效、准确,因此更适合于实际交通场景中的目标检测任务。

跨尺度自适应融合的车辆与行人检测算法

针对道路交通中目标所处环境复杂,存在模型对关键特征提取不充分、目标定位准确率低的问题,选取SSD模型为基本框架展开了特征提取方式、关键信息增强和非局部性特征定位的研究。首先,为针对性地解决道路交通场景下目标多尺度的问题,提出跳跃式反向特征金字塔结构,生成更具判别力的特征;其次,为解决不同语义层次的信息对特征融合过程贡献度不同的问题,设计基于注意力机制的自适应特征融合模块,在通道层面非先验地增强关键特征表达能力;最后,引入十字交叉注意力模块,提升模型对目标的位置敏感度。实验结果表明,与原始SSD模型相比,在保证实时性的情况下,改进方法的精度均值在PASCAL VOC子数据集上提升了2.6%,在自制道路交通数据集上提升了3.9%。综合考量,改进算法可广泛适用于道路车辆与行人检测任务中。

事故工况下行人胸部与车辆碰撞的边界条件特征分析

研究了行人胸部与车辆碰撞边界条件特征。建立了基于中国道路事故工况的车辆与行人碰撞多体仿真矩阵,进行了仿真数据统计分析。结果表明:成年行人胸部绕转距离(WAD)范围为0.957~1.808 m;6岁儿童行人胸部绕转距离(WAD)为0.760~0.910 m;对于轿车、运动型多功能车(SUV)、多用途汽车(MPV)等3种车型碰撞,成年行人胸部中值碰撞角度为17°、34°、32°,中值速度为12.5、19.8、17.3 km/h;6岁儿童速度为20.5、38.4、25.4 km/h,胸部碰撞角度49°、90°、81°。轿车碰撞中的行人胸部绕转距离WAD高于SUV和MPV碰撞工况,但行人胸部与车辆碰撞速度和碰撞角度明显低于SUV和MPV碰撞工况。因而,本文作者建议:根据车辆WAD区域,分别开展成年和儿童行人胸部防护测评,并在测试中根据车型合理设定胸部冲击加载边界条件。

基于改进YOLOv4的红外行人车辆检测算法

智能设备对行人和车辆的目标检测对于建设智慧城市有着重要的意义。随着红外技术的发展和普及,红外成像科技具有强抗干扰和全天候的特性,被越来越多地用于解决可见光受限环境带来的问题。论文提出了一种改进YOLOv4深度学习算法对红外图像下的行人车辆进行检测。改进的YOLOv4算法加入了CA注意力机制模块,将位置信息嵌入到通道注意中,增强了对感兴趣区域的表示。此外还设计了CSP2-DBL模块,替换了原本简单的卷积模块叠加,对高分辨率特征性信息的做出了弥补。为了进一步提高网络计算速度,减少计算量,针对红外图像特性,对Head部分进行了裁剪。实验结果表明改进后的模型在FLIR红外数据集上较YOLOv4模型在mAP上提高了0.85个百分点,检测速度提升了2 f/s。

机器人视觉中行人和车辆检测算法的研究

对车辆和行人进行快速且准确的检测是机器人视觉和自动驾驶领域的一个难题,为了解决这个难题,提出一种基于深度学习网络的行人车辆检测算法,这是一种端到端的单阶段检测方法。主要使用多级跳跃连接网络和多级特征融合网络。多级跳跃链接网络在特征提取阶段避免了反向传播过程中的梯度消失、爆炸和退化等优化问题,从而提高检测精度和模型的收敛速度。多级特征融合网络对来自不同层次的多尺度特征变化尺度后进行特征信息融合,可以提取到比较低层的信息以提高算法的精度。这里的算法在多个公开的数据集上进行实验,实验结果表明,与目前的一些主流算法相比,行人和车辆的平均检测精度大幅提高,在精度提高的情况下,具有更快的检测速度,有较高的应用潜力。

行人车辆冲突参数分析与安全评价

为了评价混合交通环境中的行人和车辆冲突的安全性,对比分析了目前常用的行人车辆冲突参数,提出了个体行人和车辆之间冲突的安全评价模型,并将模型应用于不同的混合交通场景,验证模型的鲁棒性和适用性.结果表明,冲突时间差(Time difference to collision,TDTC)和车辆速度对行人车辆冲突的安全性影响最大.TDTC越接近于零,行人越危险;车辆速度越快,行人越危险.以此建立的行人车辆冲突评价模型可正确评估86.2%的行人车辆冲突安全,对于危险冲突的漏检率为2.1%.

车辆碰撞速度对行人致命损伤风险的影响研究(英文)

在车辆与行人碰撞中,行人头部和胸部为行人两大致命损伤部位。本文应用THUMS行人有限元模型,分析了行人在中型轿车、微型轿车、1Box和SUV等4类不同前部结构车辆和碰撞速度为20km/h、30km/h、40km/h、50km/h的条件下行人动力学响应,及头部和胸部碰撞速度,并根据计算得到的头部HIC值和胸部压缩量分析了致命损伤风险。结果表明,车辆碰撞速度和汽车前部结构形状是影响行人动力学响应和损伤严重度的两大主要因素,减小车辆碰撞速度至30km/h或更低是减轻行人致命损伤风险的有效途径。在中型轿车和SUV碰撞中的主要损伤部位是头部,而在1Box碰撞中是胸部损伤。在微型轿车碰撞中,在头部未与A柱碰撞时,其致命损伤风险较低。分析结果为研发行人损伤防护型的车辆前部结构提供理论指导,如较短的汽车前部结构和较大面积的风挡玻璃有助于减轻行人的致命损伤。

面向碰撞再现验证的车辆冲撞行人实验平台搭建

当前我国车辆冲撞行人案件呈现危害性大、碰撞机理复杂、现场痕迹混乱等现实问题,由于事故过程不具有现场复原性,因此,加强面向车辆冲撞行人案件分析和碰撞再现验证平台研发具有十分重要的意义。为有效开展车辆冲撞行人动力学建模研究,搭建一个与已有行人发射台相匹配的车辆碰撞实验台架,从而对典型车辆和行人模型之间冲撞特性进行研究,并开展车辆风挡玻璃-行人头部、车辆保险杠-行人小腿两种碰撞实验,用以验证冲撞动力学理论建模与计算机仿真研究的合理性。所搭建实验平台可多次重复进行碰撞实验,相比于实车碰撞实验具有成本低、易于控制和可重复性验证等优点,同时,基于此平台实施了国家重点研发计划课题中碰撞再现模型验证等研究工作,为行人安全研究提供了低成本、实用化的实验平台。