基于改进YOLOv5的道路目标检测

为提高自动驾驶中的道路目标检测精度,设计了一种基于YOLOv5的道路目标检测模型。该模型在YOLOv5s的网络模型基础上,将原始的初始锚框聚类算法改为K-means++算法来减小随机带来的聚类误差;并在Backbone中SPP模块之前引入SENet注意力机制,以增强道路目标重要特征并抑制一般特征,达到提高检测网络对道路目标的检测能力。在VOC2012改进数据集上训练、测试,基于改进的YOLOv5s的模型比原始YOLOv5s模型平均准确精度提高了2.4%。实验结果表明,改进的YOLOv5s模型能较好地满足道路目标检测的精度要求。     

基于人脸姿态识别的课堂学习状态反馈系统的设计与实现

人脸识别技术是目前计算机视觉中的热门研究方向之一,已经被应用于很多领域。“抬头率”已成为判断学生的专注程度、检验课堂教学效果的重要因素之一。设计开发了基于人脸姿态识别的学生课堂学习状态反馈系统,完成了人脸数据集的采集、制作与训练,并增加了YOLOv5s训练模型的深度和宽度,在保证其速度的前提下提升了识别的准确度。在此基础上,将识别参数Conf与IOU的阈值调整到适当值,使识别结果更加清晰。实验结果表明：改进之后的识别系统在不影响速度的同时提高了识别的准确度;较暗环境下的人脸识别准确度可以达到0.887,能快速识别出学生课堂的学习状态,符合课堂教学实时监测要求;对于有遮挡的人脸识别,其准确度也可以达到0.5以上,满足特殊情况下的人脸识别需求。     

基于头部姿态识别的学习状态检测系统的实现

教室一直以来都是教师进行教学活动的重要场所,为了充分利用课堂监控系统并加强对学生课堂状态的监测,设计了基于头部姿态识别的学生学习状态检测系统.首先,对SSD模型算法的检测后处理中非极大值抑制(NMS)算法进行优化,精准去除冗余候选框;其次,结合系统的应用场景——教室,对SSD算法模型的预测特征图进行选取,在保证模型检测...