基于SA-YOLOv5的交通标志目标检测研究

在自动驾驶的目标检测算法中,识别远处交通标志时对微小目标很容易出现漏检、误检现象,影响车载设备对路况的判断,因此对目标检测算法的精度有着严格要求.针对微小交通标志检测精度低甚至漏检的问题,提出一种基于Shuffle注意力模块(Shuffle Attention Module,SA)、卷积注意力模块(Convolutional Block Attention Module,CBAM)与目标检测算法YOLOv5相结合的交通标志检测方法,称为Shuffle-Attention-YOLOv5(SAYOLOv5).该方法是将SA模块融入到YOLOv5的Backbone网络中构成对像素级信息特征提取的网络,准确提取所有相关的输入特征,并在网络的Neck部分中融入了CBAM,更好地利用Backbone中提取的特征,在上采样与下采样中寻找微小物体场景中的注意力区域,以此加强对远处微小交通标志的特征提取与识别能力.在中国交通标志数据集(CCTSDB)上进行训练和模型对比实验,并将结果模型部署在嵌入式开发板中验证实际检测性能,通过筛选,检测微小目标时的mAP值达到了98.10%,对比其他基于注意力机制改进的YOLOv5,mAP值提高了1.70%,验证了SA-YOLOv5能有效聚焦于图像中的感兴趣区域,在检测交通标志此类小目标场景中具有良好的性能.

密集场景下的行人智能分析系统

由于人口流动、旅游、演唱会等行为的发生,导致行人出现密集性聚集现象,容易造成较大的安全事故。因此,利用深度学习方法分析检测密集场景下的行人,成为降低行人安全隐患的重要措施之一。然而,目前视频监控分析系统仍存在识别精度低、预警慢、智能化程度低等诸多问题。鉴于此,设计并实现一套基于YOLOv5的密集场景下的行人智能分析系统。系统测试表明,密集场景下的行人智能分析系统检测速度较快、精度较高,且系统性能良好,有一定的应用价值。