一种基于改进Faster RCNN的校园车辆检测方法

传统车辆检测的算法无法自适应地完成复杂场景变化下目标特征提取,导致算法检测速度慢、检测效果差和检测精度低。提出了一种改进的Faster RCNN的车辆检测方法。这种方法设计了2个网络:一个准确的车辆候选区域检测网络(PVRNet)及车辆属性学习网络(VALNet)。通过大量的汽车图片数据样本,学习获得一个具有泛化能力强、检测以及定位准确率高的检测模型,其次将测试汽车图片输入该检测模型,得到可能的结果。可以处理复杂的视觉任务,避免人为设计车辆目标的特征,减少人员主观因素影响。实验结果表明,提出的方法显著提高了校园车辆检测性能,检测结果平均精度较高。     

基于改进Faster RCNN的目标检测算法

针对Faster RCNN算法在对小目标、发生形变的目标以及重叠度大的目标检测存在的问题,做了相应的改进.将具有更深层次且表达能力更强的ResNeXt网络代替了Faster RCNN中用于提取图像特征的VGG-16网络.将ResNeXt常规的"后激活"基本单元结构更改为"预激活"的形式,反向传播过程中,信息可以在整个网络中"直接"传播,使得网络的性能达到最优.引入可变形卷积,解决产生空间形变的图像识别任务.对比实验结果表明,本文设计的网络模型在对发生旋转以及局部遮挡等状况的目标表现出良好的检测效果和较高的准确性.     

基于改进Faster RCNN的印刷电路板瑕疵检测算法

PCB印刷电路板上元器件较多且距离较小,电路走线颜色较为相近。传统检测方法基于机器视觉检测,其算法存在检测速度慢、误检率较多、能够检测出的瑕疵种类较少等问题。基于此,提出了一种基于改进Faster RCNN的印刷电路板瑕疵检测算法。该算法可以同时检测出漏孔、缺口、断路、短路、毛刺、余铜6种印刷电路板上的瑕疵。首先,采用Faster RCNN作为基础检测框架,使用金字塔特征网络(FPN)、多尺度训练、锚点框、聚类作为基础改进措施;其次,以改进后损失函数(DIoU)替换原算法中的smoothL1损失函数作为边界框定位回归的损失函数;最后,计算出在多种实验条件下的模型平均精度均值(mAP),对各种算法进行了对比。实验结果表明,原算法Faster RCNN的mAP为73.7%,改进后Faster RCNN的mAP为95.1%,相比原算法对印刷电路板瑕疵检测的mAP上升了21.4%,相比其他算法具有明显优势。     

混合交通场景中的车辆检测和识别

介绍了一种城市交通流量视频检测系统及其车辆识别新算法。通过检测道路上的运动目标并利用目标的运动信息和外形特征进行车辆识别。考虑到目标的阴影会影响目标的形状特征 ,导致目标识别错误 ,提出了一种新的阴影检测算法———利用目标的灰度特征对运动目标进行阴影检测和分离。实验结果表明该系统在模拟城市混合交通环境下 ,能够克服目标阴影的影响 ,准确检测和识别车辆 ,同时能够满足实时性的要求     

基于改进Faster R-CNN算法的车辆检测

基于区域的网络Faster R-CNN算法在图像的目标检测领域取得了巨大突破.相比较于传统的目标检测方法R-CNN和Fast R-CNN,Faster R-CNN提出了一种候选区域网络(RPN)有效的提升了检测候选框的生成速度.本文通过分析提出的RPN网络的实现方法,引用了K-Means++聚类算法,来对训练数据集中的目标框大小进行聚类分析,替代原本算法中的9个区域框.通过实验对比分析,通过改进的方法提高了车辆检测的精度.     

一种基于Faster R-CNN的车辆检测算法

针对传统的车辆检测算法无法自适应地完成在复杂场景变化下提取目标相应特征的现象,提出了一种基于深度学习的车辆检测算法,该算法结合了Faster R-CNN开源框架和Loc Net网络算法。首先,利用RPN算法获得图片中的候选区域,以减少检测过程中对每张图片的计算量;然后,进入Fast R-CNN网络,利用该深度网络中的卷积层和池化层,自适应地获得车辆目标的所有特征;最后,进入Loc Net网络,通过输入已经得到的图片候选区域,通过卷积层和池化层,不断计算候选区域边界的概率,达到不断优化候选区域边界,最后得到车辆目标的边界框。使用深度学习卷积神经网络,可以避免人工设计车辆目标特征适用性不广泛的缺点,提升车辆目标检测和定位的准确性。     

基于改进Faster R-CNN的自然场景文字检测算法

自然场景中的文字受光照、污迹、文字较小等方面的影响,其检测难度较大,且传统的检测方法效果不好。在研究目标检测方法Faster RCNN的基础上,提出一种针对自然场景文字的改进方法。改进的模型由卷积神经网络特征提取模块,嵌套LSTM(nested long short-term memory,NLSTM)模块和区域候选网络(region proposal network,RPN)模块3部分组成,改进点主要是卷积神经网络特征提取模块增加了不同卷积层的空间特征融合,能够提取多层次的特征;增加嵌套LSTM模块能够学习长序列文本的序列特征,便于检测不定长度的文本序列;RPN模块通过设置宽为8像素,高度不定的锚点(anchor),可以提取一系列可能存在的目标建议框,其对小目标文字效果较好?。在实验部分,通过对标准数据集(ICDAR 2013,Multilingual)的实验结果对比表明,所提出的改进算法在准确率和效率方面明显优于改进前的算法。通过实列测试,改进的模型对小目标文字检测效果也有所提升。     

基于Faster RCNN算法的输电线路防震锤识别研究

针对输电线路人工检测金具成本大、效率低及后期分析样本时寻找缺陷困难等问题,提出了 一种基于深度学习的输电线路金具识别方法.首先,通过无人机巡检获取一定数量的样本,通过将已标记处理的样本与相对应xml坐标文件进行联合扩充的方法,获得角度丰富化、数量多样化和部分噪声化的数据集;然后,采用Faster RCNN卷积神经网络算...     

复杂交通场景中运动车辆的检测与轨迹跟踪

针对复杂交通场景提出一种基于高斯分布假设的背景图像自回归估计算法,该算法能同时适应白天和夜间光环境,实时性好.对于二值图像的分割问题,提出并论证一种新的连通标记算法,该算法只需遍历像素1次,因此时间复杂度达到了理论上的最小.根据运动车辆的随机过程特性,提出基于Kalman滤波的轨迹跟踪算法,给出状态转移矩阵和观测矩阵,并讨论初始状态矢量的获取方法.为了解决半遮挡混合图块的分割问题,提出了图像相似度的计算方法以及局部图块与全图块相匹配的思想.在实际道路上的实验表明,所提出的方法实用有效,其中车辆跟踪准确率达到95.63％.     

基于图论的复杂交通环境下车辆检测方法

目前现有的基于图像的车辆检测系统大多数是利用滑动窗口法来确定车辆候选区域.为了提高车辆检测的速度并减少计算量,提出了一种新的基于图论的车辆检测方法.该方法针对每幅图像通过简单线性迭代聚类(SLIC)算法得到含有若干个超像素节点的图像,分析节点间的相互关系最终确定车辆候选区域.在检测阶段,本文把大量不同视角的车辆图片作为正样本进行训练,得到多视角的分类器;基于候选区域的几何信息,选择适当的多视角分类器进行检测.由公共交通分析数据集(KITTI)检测结果表明:与目前最新的、具有相同提取特征和分类器的算法相比,本文的方法具有更好的检测精度,在复杂的背景下也能取得很好的检测结果.     

基于改进Mask RCNN的工程车辆分割算法

针对输电通道下施工车辆与输电线之间距离难以计算、工程车辆检测精度较低等问题,提出一种改进Mask RCNN的工程车辆分割算法.首先将特征提取网络中的卷积替换为动态卷积,使网络训练时可以根据输入图像及时调整卷积核的大小,有效提高模型性能;然后在网络中添加NAM注意力机制,提高网络对工程车辆的关注度;最后修改特征融合网络为ssFPN,防止特征融合时信息丢失,加强语义融合,提高模型检测精度.对比试验结果表明,与改进前基于ResNet50的Mask RCNN算法相比,改进后算法提高了对工程车辆的检测精度,mAP提高了4.1%,后续处理得到的车辆轮廓精确,证明了改进后算法的有效性.     

基于交通视频的运动车辆检测方法

为解决交通测试系统中车辆实时跟踪和分割的问题, 以数字图像处理方法为手段, 针对采集到的交通路况信息, 重点研究了背景差分算法提取运动车辆, 并提出了一种计算量较小的自适应背景更新算法; 采用一种工作在HSV(Hue, Saturation, Valve)空间非基于模型的车辆阴影检测算法, 并提出设置阈值参数的方法, 在去除车辆阴影的同时也滤除了行人、 自行车及摩托车等干扰; 针对车辆阴影检测后的二值化图像, 采用适合的形态学方法进行后期处理。对实际交通环境下的大量视频和图像进行测试的结果表明, 该方法可以有效地实现运动车辆的检测。     

复杂场景下运动车辆实时动态自适应检测方法

针对复杂交通场景中运动车辆检测方法存在的局限性,提出了一种基于自适应背景与改进动态阈值相结合的运动检测算法.基于当前帧与背景相减得到的差分图像,利用自适应阈值选取方法分别对差分图像的三个颜色通道进行二值化,从而实现运动目标的精确检测.根据检测结果,采用中值更新策略实现背景图像的实时更新.实验结果表明,该算法可以从复杂交通场景图像序列中有效地检测出运动目标.而且算法计算量小,具有良好的鲁棒性与实时性品质指标,能够很好地满足智能交通监控系统中运动车辆实时检测技术要求.     

基于YOLO网络和小波降噪的视频车辆跟踪测速优化

为获取准确有效的交通动态信息,提出一种源于YOLOv5的多目标检测算法,并融入注意力模块改进网络,结合DeepSORT实现长时间跟踪,同时运用摄像机标定方式获取真实运动轨迹。针对复杂环境下噪声等导致的测速质量下降问题,对原始车辆轨迹信号运用小波阈值降噪算法来减少噪声,降噪后的车速波动范围更小,车速标准差最高降低了44%,信噪比最高提升了2.37倍,速度相较降噪前更稳定,表明利用小波滤波对轨迹信号降噪可以大幅提高车速测量的质量,使得后续对交通车辆行为的判定分析更为精准。     

基于改进Faster R-CNN的无人机视频车辆自动检测

为了从广域视角准确提取道路交通信息,提出了一种用于无人机视频车辆自动识别的改进Faster R-CNN模型.该模型以基于ZF网络的Faster R-CNN为原型,优化调整学习策略、训练图像尺寸、学习率等模型参数,调整RPN网络卷积核并引入SoftNMS算法,增加1～3个特征提取卷积层和激活层.基于无人机交通视频构建了训练图像集,对现有Faster R-CNN模型及改进模型进行训练和测试.结果显示,与采用Step学习策略的模型相比,采用学习策略Inv的模型车辆识别平均准确率提高了0.4%～9.4%.引入SoftNMS算法的模型比引入前的模型平均准确率提高了0.1%～7.9%.提出的改进模型平均准确率为94.6%,较基于ZF的Faster R-CNN模型、基于VGGM的Faster R-CNN模型和基于VGG16的Faster R-CNN模型分别提高了13.1%、13.1%和4.1%,且训练时间减少约3%,对多种场景的视频车辆检测具有较好的适用性.     

基于改进Faster R-CNN的车辆类型识别算法

提出一种基于改进Faster R-CNN(region-convolutional neural networks)的车辆识别算法,用于处理不同类别车辆的识别问题.为了解决部分外形相似类别的车辆之间的误检问题,该方法使用空洞卷积来提高感受野,结合空洞空间金字塔池化(atrous spatial pyramid pooling,简称ASPP)来增强多尺度信息的获取,以此来增强网络对外形相似车辆之间差异的敏感性,提升算法的准确率.实验结果表明,改进的Faster R-CNN模型mAP值达到93.45%,具有较高的精确度、较小的误检率和更好的鲁棒性.     

基于Faster R-CNN模型的火焰检测

常规的火焰检测一般是提取火焰的静态或动态特征,然后进行火焰的判别.但是传统特征无法全面描述火焰特性,会导致识别的准确率降低.本文提出一种基于Faster R-CNN模型的火焰检测算法.首先利用候选区域生成网络(Region Proposal Network,RPN)提取火焰候选区域,然后对候选区域进行卷积及池化操作,提取火焰特征,最后利用联合训练的快速区域卷积神经网络(Fast R-CNN)进行火焰识别.实验结果表明该方法能够自动提取火焰特征,有效提高复杂背景下的火焰识别的准确率,具有良好的泛化能力和鲁棒性.     

基于YOLO和排斥力损失函数的行人检测方法

针对行人检测受人体姿态复杂、光照变化、遮挡严重等影响,导致检测效率和精度不高的问题,提出一种基于YOLO和排斥力损失函数的行人检测方法.首先,对YOLO模型进行改进,主要是设置合适的预选框以及采用较大尺度的特征图进行特征提取,从而提高其对小物体的检测性能;然后,对排斥力损失函数进行改进,使其符合行人检测的应用场景,为接下来的融合检测提供新的损失函数;最后,将改进的YOLO和排斥力损失函数结合起来,利用YOLO模型速度快的特点提高运行速度,并利用排斥力损失函解决行人遮挡问题.在多个行人检测数据集上的实验结果表明:与其他算法相比,能够更加快速准确地实现行人检测.     

基于时空融合的交通场景中运动行人检测算法

将视频监控技术应用于交通信息获取与处理,解决行人安全问题,已成为智能交通系统中的一项关键技术。为精准地提取交通场景语义信息,提出了融合时域和空域信息的行人检测算法。通过相邻多帧时域变化和Canny边缘检测算法得到初始检测掩模图像,解决差值局部化和噪声问题;提取空域信息时,引入二次重构和内外标记技术对梯度图像进行修正和分水岭变换,得到空域掩模图像,有效地提高空域分割精度,消除过分割现象;最后将两者结果进行融合和形态学修正,提取出交通场景图像中的运动行人。以北京南站为例进行实验分析,结果表明,该方法能快速准确地检测到较完整的目标信息,在动态场景的行人检测取得了较好的效果。