基于Dense-YOLO网络的井下行人检测模型

行人检测是实现矿用车辆无人化的一项关键技术,煤矿井下弱光环境中捕获的图像可见度不佳,极大地影响了行人检测效果。现有行人检测方法忽略了井下弱光环境对目标检测精度的影响,检测效果不理想。针对该问题,提出一种基于Dense-YOLO网络的井下行人检测模型。将弱光图像分解为光照图和反射图,采用Gamma变换、加权对数变换、限制对比度的自适应直方图均衡(CLAHE)对光照图进行增强处理,采用亮度权值和色彩权值对增强后的图像进行加权融合;采用双边滤波算法对反射图进行处理,以增强图像纹理;将增强后的光照图和经过双边滤波处理的反射图逐点相乘,重构出RGB图,并采用ROF去噪模型对融合后的图像进行全局去噪,得到最终的增强图像。将含有残差块的Dense模块添加到YOLOv3中,构建基于Dense-YOLO网络的井下行人检测模型,残差块的加入有利于避免在网络训练过程中出现梯度消失和梯度爆炸等问题。实验结果表明:对弱光图像进行增强处理能够有效提高图像可见度和行人检测效果;Dense-YOLO网络对增强图像的漏检率为4.55%,相较于RetinaNet网络降低了14.91%,基于Dense-YOLO网络的井下行人检测模型有效降低了行人检测漏检率。

YOLO算法在安检异常图像中的研究

在人口密集场所中,安检是保证公共安全的重要手段。针对人工安检在遇到客流高峰或突发情况时,安检的效率和准确率易受到影响且存在安全隐患的问题,基于YOLO算法,提出了一种改进的Dense-YOLO目标检测算法。通过借鉴稠密网络中特征融合方式改进网络结构;采用改进的K-means算法对自制异常图像数据集进行目标框维度聚类;将卷积层中的卷积和批量归一化进行整合,提升计算效率;采用多尺度训练方式,增强模型对不同尺寸的鲁棒性。实验结果表明,利用改进后的Dense-YOLO算法提升了对小目标的检测,针对安检中可疑物进行检测,mAP达到了91.68%,检测速度提高到59 f/s。改进后的算法有效提升了安检的效率和准确率,一定程度上消除安全隐患。