- 首页
- 产品推荐个人精选服务科研辅助服务教育大数据服务行业精选服务学科系列服务产品服务
- 期刊大全
- 充值
- 会员
- 职称材料
- 首页
- 产品服务
- 知识脉络
- 期刊大全
- 充值
- 会员
- 职称材料
智能检索
二次检索
任意字段
在结果中检索
在结果中去除
暂无数据
共
141
条结果 ，以下是1
-
20条
1 / 8
已选:0 清除
批量下载
批量引用
相关度
摘要： 近年来,行人重识别技术(ReID)逐渐成为视频监控领域的重要研究技术,不少研究员尝试将此技术投入到实际运用中。本文提出了将YOLOv3网络,深度学习网络和服务端结合作为一种实际运用方案。YOLOv3用于在实景环境中找出行人,通过coco数据集进行训练和测试,先将视频帧截取后对每一帧经过YOLOv3网络提取,保留对应人物索引和位置传入后续深度学习网络。深度学习网络采用Resnet50网络框架,Resnet50进行特征提取得到特征向量,使用欧氏距离计算与目标人物向量特征的距离,距离最小的便判定为同一目标人物,返回该人物索引,根据位置标注出目标人物。服务器端借助于Django框架,配置相关的网页文件,编写服务器响应程序。将行人重识别整体项目部署进服务器,并为之编写相应的UI界面,在网页端能够实现整个项目流程的运转以及客户端与服务器之间的交互。在本地实现整体网站的构建后,应用Cpolar内网穿透工具将本机端口通过http协议映射至外网,从而实现在外网也能随时查找与追踪行人。
关键词: 行人重识别 ；深度学习网络 ；YOLOv3 ；Resnet50 ；服务器端
被引量
1
摘要： 针对自然条件下图像中的行人由于光照明暗变化、视角转换以及分辨率等不确定因素导致的行人朝向难以估计的问题,提出了一种将人体骨架信息提取与一维卷积神经网络级联求解的解决方案。首先通过骨架提取网络将人体的骨架以及关键点的位置信息提取出来,然后搭建一维卷积神经网络并采用改进的贪心网格搜索调参算法对关键点的位置序列进行朝向估计。在自制数据集上进行测试,表明提出的方法取得了较好的效果。
关键词: 深度学习 ；OpenPose ；卷积神经网络 ；行人朝向
被引量
1
摘要： 步态识别是一项新兴的生物识别技术,可以被广泛地应用在刑事安防,疫情传播链追踪等领域,该项技术的本质在于通过人的人体体型和行走姿态来识别人的身份,年龄,性别等多种生物属性.相比其他生物识别技术,步态识别具有远距离,全视角,无感知,防伪装等显著优势.基于此,本文设计了一款面向多人多生物属性的跨视角步态追踪系统,该系统充分考虑了现实应用场景中存在的多人,跨视角,服饰变化等协变量对于步态识别准确率的影响,并通过更加鲁棒的算法设计从复杂的环境中提取行人的步态信息从而对其身份,年龄,性别等生物属性进行准确的分析.实验结果表明,在跨视角和多种行走状态的情况下,本系统中基于深度学习的步态识别算法模型的准确率可以达到88.0%,在多视角的情况下,性别分类准确率可以达到94.8%,年龄估计的平均年龄误差约为7.92岁,标准差约为8.11,实验结果均优于近年来相关领域的算法,达到相对领先的水平.同时系统开发成本低,面向落地应用场景,并支持实时性步态检测.
关键词: 步态识别 ；多属性识别 ；跨视角 ；实时检测 ；深度学习 ；目标检测 ；多目标跟踪 ；语义分割
被引量
1
摘要： 本文针对传统嵌入式课程教学中存在的理论与实践脱节、技术更新滞后等问题,提出将人工智能与机器视觉、大数据等交叉技术深度融合,构建面向智能时代的嵌入式系统教学改革框架。研究首先重构课程体系,增设AI算法轻量化部署、边缘智能开发等模块,并引入虚拟仿真平台与真实硬件结合的“双轨实训”模式;其次,设计跨学科项目案例库,如基于深度学习的嵌入式视觉系统开发,培养学生解决复杂工程问题的能力;同时,搭建智能评测系统,通过代码语义分析、学习行为追踪等技术实现个性化学习路径推荐。实践表明,该模式使学生的系统设计能力提升32%,创新项目参与度提高45%,为培养符合产业需求的复合型嵌入式人才提供有效路径。研究结果对工程教育数字化转型具有示范意义。
关键词: 人工智能 ；嵌入式系统 ；教学改革 ；边缘计算 ；跨学科融合
摘要： 近年来,随着深度学习技术的不断发展,图像分类,目标检测算法被广泛应用到各个领域中。同时,公安部门信息系统民政部全国救助寻亲网发布的数据表明,每年老人以及小孩走失的形势依然严峻。为帮助有关部门以及社会人士寻找走失者,本文结合国际先进的深度学习技术,设计一个智能行人追踪的小程序,实时推测老人或小孩的行踪路线,从而实现自动的跨镜头行人追踪。拟采用YOLOv5等目标检测算法搭建网络模型,实现视频内人物位置确认,并给置信度较高的人赋以特定的标定,记录下该人在当前的位置。结合Re-ID行人重识别算法对人物进行进行重识别,从而避免因人流密集导致模型误判,提高寻回失踪人员的几率。
关键词: 行人追踪 ；行人重识别算法 ；深度学习
被引量
2
摘要： 传统安防通常是由安保人员24 h值班,轮流监察,发现异常问题再进行处理的过程。但人难免会因各种因素导致异常情况发生时不能及时采取有效防控措施的情况出现。对深度学习YOLO算法进行改进,结合嵌入式平台体积小、易部署、成本低等特征,设计出了一个基于嵌入式的行人检测、追踪智能安全防控系统。系统包含行人检测、行人追踪、行人重识别、数据库管理、显示界面5个模块,很好地实现了实时监测、精准确定和追踪目标、发现异常情况及时报警的功能,真正达到了智能安全防控的目的。
关键词: 行人检测 ；行人追踪 ；行人重识别 ；智能安全防控
被引量
2
摘要： 文章基于改进更快的区域卷积神经网络(Faster Region Convolutional Neural Networks,Faster R-CNN)模型,提出了一种行人识别系统设计。介绍了计算机视觉常用技术手段与方法、通行检测步骤,分析了主流的算法优缺点,利用深度学习方法提取图像特征,然后使用改进Faster R-CNN模型进行目标检测。在改进Faster R-CNN模型中,采用了自适应尺度池化和增强的感兴趣区域(Region of Interest,RoI)池化技术,可以提高模型检测精度和速度。
关键词: 行人检测 ；机器学习 ；更快的区域卷积神经网络(Faster R-CNN) ；深度学习
被引量
4
摘要： 针对目前视频监控系统中由于摄像头固定产生的视觉死角问题,设计了一种基于Yolov5与Deepsort算法的行人自动跟踪摄像头系统。该系统主要由图像采集模块、图像处理模块、控制模块、舵机云台模块等构成。首先由图像采集模块实时拍摄画面信息,然后图像处理模块通过Yolov5算法检测行人,Deepsort算法对行人进行跟踪得到像素偏差值,PID控制算法根据像素偏差值计算出偏差角度,通过串口通信传给控制模块控制舵机云台,使摄像头实时跟踪行人。实验结果表明,行人跟踪结果稳定,实时跟踪效果较好,减少了视觉死角。
关键词: Yolov5 ；Deepsort ；PID控制算法 ；舵机云台 ；实时跟踪
被引量
1
摘要： 随着基于深度学习的行人检测算法的快速发展,固定监控设备在灵活性和监控范围上存在一定的限制。采用无人机搭载监控设备的方式,可以有效实现拍摄视角和相机运动的任意性。整个实验工作内容主要包括两部分:1)对比分析当前主流深度学习行人追踪算法的性能,并搭建基于FairMot算法的行人追踪系统;2)将设计的FairMot行人追踪算法移植到NVIDIA Jetson TX2嵌入式设备中,分析算法的运行速度和可移植性。最终实验结果表明,该算法能够有效地平衡检测的鲁棒性,达成每秒30 FPS的检测速度。
关键词: 无人机 ；行人追踪 ；深度学习 ；FairMot ；嵌入式
【会议论文】 •
+1位作者
会议时间： 2023-12-02
摘要： 本论文深入研究了基于深度学习的嵌入式智能视觉系统在工业自动化中的应用研究。首先,我们介绍了深度学习的基本概念和发展历程,阐述了卷积神经网络(CNN)和循环神经网络(RNN)的基本原理,并强调了深度学习在计算机视觉领域的里程碑研究。然后,我们分析了不同类型的嵌入式硬件平台和工业自动化中的视觉应用需求,探讨了嵌入式系统在工业环境中面临的挑战和优势。在系统设计方面,我们详细讨论了深度学习模型选择和优化、硬件与软件协同设计、传感器选择以及数据采集策略。接着,通过两个应用案例研究,展示了嵌入式智能视觉系统在质量检测与缺陷识别以及自动化物体识别与追踪方面的实际应用。最后,结论部分总结了深度学习在嵌入式智能视觉系统中的关键作用,展望了未来深度学习在工业自动化中的发展前景,并鼓励进一步的研究和应用。
关键词: 深度学习 ；嵌入式智能视觉系统 ；工业自动化 ；卷积神经网络
摘要： 随着深度学习技术的迅猛发展,传统监控系统正逐步向智能监控系统转型。其中,行人重识别和车辆追踪作为智能监控系统的两大关键技术,受到了广泛关注。行人重识别是指在给定的行人图片或视频中识别同一行人,而车辆追踪则专注于在复杂交通环境中持续跟踪目标车辆。 当前,行人重识别的主要挑战在于遮挡问题,遮挡会导致提取的特征不完整,传统局部特征对齐方法在遮挡场景下的表现受限。在车辆追踪领域,车辆视角变化以及转弯场景中的形态变化,使得外观匹配精度下降,尤其是相似外形和颜色的车辆易被误匹配。针对上述问题,本文分别提出了一种遮挡行人重识别模型和一种多摄像头车辆追踪模型,主要研究内容如下。 (1)提出了一种基于特征动态加权的遮挡行人重识别模型(Feature Dynamic Weighting Model For Occluded Person Re-identification,FDWM)。FDWM通过预训练的Vi T网络提取行人图像特征,并采用双分支结构分别提取粗粒度的全局特征和细粒度的局部特征。之后,针对遮挡问题,设计了权重提取模块,根据局部特征的遮挡程度提取出权重,并对全局特征进行动态加权,从而提升行人图像在不同遮挡程度下的相似度。 论文在两个遮挡数据集Occluded-Duck、Occluded-Re ID以及两个无遮挡的标准数据集Market-1501、Duke MTMC-Re ID上进行了多组对比实验。与基线方法相比,FDWM在Occluded-Duck数据集上,Rank-1和m AP分别提升了5.4%和2.8%,在Occluded-Re ID数据集上Rank-1和m AP分别提升了6.5%和5.6%。实验结果表明,FDWM能够有效解决遮挡带来的挑战。 (2)提出了一种基于时空特征的多摄像头车辆追踪模型(Space-Time Feature-Based Multi-Camera Vehicle Tracking,ST-MCT)。针对转弯过程中车辆外观变化和外观相似车辆的匹配问题,提出了两种新策略:轨迹分割策略,将转弯轨迹划分为转弯前、转弯中和转弯后三个阶段,仅匹配视角相同的轨迹片段,减少视角变化带来的误差;基于时间约束的轨迹关联策略,通过预估车辆在摄像头之间的行驶时间,结合高斯函数优化匹配权重,提升跨摄像头匹配的精度。 论文在多摄像头车辆追踪数据集City Flow V2上进行了多种对比实验,此外,通过不同的目标检测器以及Re ID骨干网络进一步提高模型精度。与基线方法相比,ST-MCT模型在IDF1指标上取得了3.21%的性能提升。
关键词: 智能监控 ；行人重识别 ；车辆追踪 ；深度学习
摘要： 目前,生物识别技术在人们日常生活中已经有着广泛的应用,如解锁与支付等,具体技术有指纹识别与人脸识别等。但是这两种生物识别技术存在着明显的弊端,只能在近距离或者触摸的情况下进行生物身份的识别。当人处在远距离且无法触摸的情况下,这两种技术将无法使用,步态识别可以完美的解决以上弊端。以往的步态识别研究工作主要是基于图像识别的,图像识别的弊端是只能在光线良好并且无遮挡的情况下才能使用。随着5G技术的不断发展与成熟,毫米波将会不断的应用到智能设备中。分辨率高是毫米波的天然优势,这一优势使得毫米波可以应用在智能感知领域。在本文中,我们提出了一种在多人共存的场景下基于毫米波感知的多人追踪与步态识别的方法。通过使用毫米波感知技术对多人共存场景下行人的步态进行感知,并得到行人的3D点云步态数据。由于该数据是多人共存场景下的,因此本文提出了基于聚类与多目标匹配算法的多人步态数据分离与追踪的方法,经过该方法得到每个单人的步态数据。针对每个单人步态数据,本文设计了一种基于深度学习的步态识别算法,实验表明该算法在单人场景下可以达到90%的准确率,在5人共存的场景下达到88%的准确率。最后将本文提出的方法实现成一个基本毫米波感知的多人追踪与步态识别系统,达到了良好的步态识别效果。
关键词: 毫米波 ；步态识别 ；点云 ；深度学习
被引量
1
摘要： 随着人工智能的发展,人机对话系统在虚拟助手、智能客服等领域得到广泛应用。其中,面向任务型多轮对话系统是学术与工业界重点关心的研究领域,它面向特定的领域来解决具体的任务,例如查询天气、推荐景点、预订酒店等,系统需要引导和帮助用户完成任务或实现目的。传统上的面向任务型对话系统往往局限于单轮交互,且难以应对涉及多个任务或跨越多个领域的对话场景,缺乏泛化能力。而在工业界,用户期待系统既能反映多样化的个性喜好,又能联系到具体的业务和目标上,即将闲聊机器人与任务型系统在系统设计和实现技术上寻求统一解决方案。本论文针对以上的挑战提出了基于深度学习的复合任务多轮对话系统,面向复合任务场景,解决多领域多轮场景下传统模型缺乏通用性,泛化性和可控性的问题。首先,针对当前工业界对对话系统的需求,本文从关于对话模型的研究入手,针对多轮意图追踪、跨领域切换与迁移、回复生成多样性与可控性中存在的问题进行深入分析和优化。具体地,本文提出了层级门控增强的对话状态跟踪框架,以开放词表方法取代传统的基于多标签分类的方法,解决模型依赖静态本体、冗余追踪等挑战,提升模型鲁棒性和可扩展性。随后,本文进一步提出了一个端到端的通用对话模型构建与管理框架,基于单一通用语言模型实现闲聊型和任务型对话两类异构任务的框架同一性,并通过预训练-微调、数据增强、机器教学等方法,以轻量级模型参数和低推理时延打通不同垂直领域间的壁垒,解决实际业务中的会话交互问题。在上述对话研究之外,本文进一步研究了任务型对话中对话策略管理与系统回复生成两个任务的可控制性问题,利用即插即用的控制器生成风格各异,高度类人的交互语句,提升对话的交互性和消费者的体验。在深入研究多轮智能问答算法的过程上,本文实现了一系列具有企业应用价值的面向复合任务的中文多轮对话系统,并以Web应用形式呈现。通过多样化的数据资源,系统可以灵活应对闲聊和任务型对话,并自由控制系统策略与回复生成,提升用户体验。部分关键技术进行针对项目的自身特点和应用场景进行针对性的优化,验证了所研究的自然语言处理领域人机对话技术的工业价值。
关键词: 智能问答 ；多轮对话 ；任务型对话 ；深度学习
摘要： 铁路作为客货运输的重要支柱和国家经济命脉,承载着超过60%以上的客运活动,保障铁路的安全运营尤为重要。特别对于普速铁路,排除一些铁路运营管理和操作上的失当,其他可能引发严重交通事故原因之一就是铁路周界范围内的异物入侵。尽管我国铁路基础建设不断完善,但各种异物入侵的情况仍时常发生。异物具有随机性、突发性和不可预测性,依靠传统人工沿线排查方法,工作量大、检查效率低、存在漏检风险,不能满足铁路安全运营管理需求;传统接触式检测(如搭建接触网)相对成熟,误检率低,但无法获取异物的详细信息。为了实现铁路异物侵入全天候的实时监测,满足智能化铁路安全运营要求,亟待设计和开发一套实时、可靠、准确的自动化异物侵入报警监测系统。本文针对传统方法成本昂贵、检测精度不高、存在漏检风险等不足,提出一套基于机器视觉的异物目标检测方案。实现异物目标跟踪和轨迹预测,开发了一套铁路异物入侵智能检测系统。通过在实际铁路场景下进行应用示范,同时进行结果精度评价,验证了系统的有效性。本文主要研究内容及相应成果如下:(1)为了满足铁路异物入侵检测实时性需求,提高检测准确性和效率,极大降低漏检及误检的几率,确定了基于深度学习的目标检测方案。同时,对比一阶段YOLOv5和二阶段Faster R-CNN卷积神经网络模型在实际铁路复杂场景下的目标检测精度,综合对比实验结果,确定了适用于铁路场景异物目标检测的高时效性方案。(2)针对目标跟踪定位精度不高、身份变化问题,提出了一种基于简单在线的深度关联度量跟踪算法Deep SORT,极大解决了传统单目标检测追踪目标遮挡丢失和数据关联性不强等问题。通过建立目标前后帧之间的深度关联,解决多目标跟踪算法在新旧目标切换和ID识别上的问题。同时,针对在系统检测过程中对于潜在风险预知性不足问题,提出基于卡尔曼滤波方法实现对行人目标的轨迹预测,并结合ROI区域判断侵限趋势,提升系统检测及预警的准确度。(3)整合目标检测识别算法和多目标跟踪算法,设计开发一套基于平台端和移动端监控设备的铁路周界异物入侵智能检测原型系统。原型系统由平台端和移动端两部分所组成:平台端是基于服务器基站采用Py Qt设计的一套UI软件界面,并嵌入各功能模块;移动端主要负责数据采集以及数据传输工作。最后对系统进行实际测试,检测和预警效果良好。这对于实现自动化、智能化以及高可靠性的铁路异物监测平台具有重大研究价值。
关键词: 铁路周界 ；异物入侵检测 ；机器视觉 ；目标识别与跟踪 ；轨迹预测
被引量
2
摘要： 智能监控系统通过实时分析与处理视觉数据,从访问控制、威胁检测、侦查追踪等多个方面为网络空间安全领域提供了坚实基础,显著提升了网络安全事件的预防、识别与响应效能,是网络空间安全体系的关键组成部分。行人重识别是智能监控系统中不可或缺的一环,其旨在对不同摄像机视域下的行人进行身份识别与匹配,从而在大规模监控网络中实现高效且精准的目标行人检索。
当前,尽管基于深度学习的行人重识别方法已取得显著进展,但大多数模型的性能依赖于理想的数据假设,即能够获取大规模行人图像并进行充分的身份标注。然而,这一假设在现实场景中往往难以实现,从而给行人重识别系统的实际应用带来了挑战。首先,行人重识别数据集的标注要求专业人员依据外观、姿态、服装等个体特征,对多个摄像机视域下的行人进行精准区分,这一过程不仅耗时,而且成本高昂,使得获取充足的身份标注变得困难。此外,由于个人隐私受到大部分国家或地区法律的严格保护,行人重识别数据具备高度的隐私敏感性,使得在特定应用场景下难以采集对应数据训练模型。针对上述挑战,本文立足于数据受限场景,(1)首先探讨应用场景中标注受限问题,(2)然后逐步过渡到应用场景完全无标注问题,(3)最终深入研究应用场景中无可用数据的极端问题,分别针对现有方法的不足提出相应的解决方案,具体如下:
针对应用场景标注受限问题,本文提出了一种基于多粒度主动学习策略的半监督学习方法,旨在从无标注数据中选择对模型性能提升最具价值的样本进行标注,从而以最小的标注量来最大化模型性能。具体而言,该方法在第一阶段通过聚类步骤为无标注数据赋予伪标签,以利用数据内在相似性实现自动标注,从而减少人工标注的需求。随后,该方法将每个簇内部的杂质样本,即当前模型无法区分的难样本,认定为高价值样本,并在第二阶段提出了一种基于中心度的自适应纯化策略,实现对难样本的高效搜索。通过对难样本的伪标签进行人工标注修正,并结合纯化损失函数来引导模型学习,可以显著提升模型对难样本的识别能力。在多个行人重识别数据集上的实验结果表明,本文提出的方法能够有效提升在标注受限场景下模型的性能。
针对应用场景完全无标注问题,本文提出了一种基于Transformer的语义融合域适应方法,旨在借助有标注的相似源域来训练模型,并迁移至无标注的目标域。该方法无需访问源域数据,仅利用源域模型和目标域无标注数据来实现模型迁移,有效解除了隐私敏感性带来的应用限制。具体而言,该方法通过分析Transformer分类嵌入特征的更新机制,探索语义信息聚合的深层模式,并识别出关键的模型参数来引导目标域中的语义聚合过程。此外,为了挖掘数据中的内在语义信息,该方法进一步提出了一个显著图像块嵌入特征扩展模块。该模块动态筛选显著嵌入特征并限制其更新,激发其他嵌入特征的学习与优化,以促进目标域数据的内部深层语义信息的提取。在多个无监督域适应基准测试上的实验结果表明,本文提出的方法能在无标注应用场景取得优异的性能。
针对应用场景无可用数据问题,本文提出了一种基于多样特征空间学习与域分解的域泛化方法,旨在利用现有公开数据集训练强泛化行人重识别系统,使其不需要经过任何训练更新便可以泛化至应用场景。具体而言,该方法由特征多样化模块和域自适应选择模块组成。前者通过促进特征通道的独立性和互补性来学习多样化公共特征空间,后者通过将每个域建模成公共特征空间中的子空间,并基于每个子空间上的投影实现通道层面的特征选择来适应未知数据分布。此外,为了从多个角度评估模型的泛化能力,本文建立了一个全面的新基准测试,该基准测试包含在不同时间、不同地点下收集的12个不同规模的数据集,并设计了5种评估协议来模拟不同类型的泛化场景。在公开基准测试和提出的基准测试上的实验结果表明,本文提出的方法可以有效提升模型的泛化能力,使得模型在没有应用场景数据进行训练的情况下,也能展现出优秀的性能。
综上所述,本文面向数据受限场景,对标注受限、无标注、无可用数据等各类限制条件下的行人重识别方法进行了深入的分析和研究,从降低人工标注的需求、增强模型的迁移性和泛化性等角度出发,提出了多种方法来提升行人重识别模型在数据受限场景下的适用性和鲁棒性,为行人重识别系统的实际应用奠定了坚实的技术基础。
关键词: 行人重识别 ；深度学习 ；数据受限 ；主动学习 ；无监督域适应 ；域泛化
摘要： 行人再识别的任务是匹配两幅由视野不重叠的两个摄机拍摄所得的行人图像,是生物识别与安全技术领域中的关键技术。对于开集测试协议行人再识别问题的研究,大多算法的目的是在某种距离度量函数的优化下,使学习到的行人特征满足类内最大距离越来越小,同时类间最小距离越来越大。然而,由于行人姿势、摄像机视角、光照等变化使得该任务极具挑战。如何提取既具鲁棒性又不失识别能力的行人特征成为行人再识别的关键步骤。本文主要基于深度学习方法,对行人再识别任务进行了研究,主要工作总结如下:(1)本文采用siamese网络结构结合分类与验证损失联合监督行人特征的学习。除此之外,我们在验证损失函数之前设计一个特征重加权层。该层将特征维度的尺度与相关性考虑进去对每一维进行重新加权,且权值矩阵在网络训练过程中自动更新。同时,我们为该层的权值矩阵施加一个约束,以提高行人特征的泛化能力。(2)虽然分类损失函数结合验证损失函数可以提高行人特征的识别能力,但是该网络需要我们在训练之前对样本进行配对,且配对方式随着样本种类增多而急剧增加,不仅增加了计算复杂度,而且导致网络训练不稳定。本文研究了分类损失函数结合center loss函数用于行人再识别的性能。其中,分类损失函数分离不同类别的特征,而center loss代替验证损失函数,使同类特征向其类中心聚集,减小类内特征间的距离,提高行人特征的可识别性。然而center loss函数未考虑不同类别特征间的距离。因此,本文将类中心之间距离作为一项损失函数加入到center loss函数中监督网络训练,不仅迫使同类特征向其类别中心聚集,同时拉大不同类别中心点之间的距离,提高行人特征的识别性。(3)我们分别基于matlab与python语言设计了行人再识别系统,验证本文算法的实用性。
关键词: 行人再识别 ；深度学习 ；分类损失函数 ；验证损失函数 ；center loss函数 ；系统设计
被引量
2
摘要： 铁路系统是国家基本建设的核心组成部分,扮演着支持公众出行和货物流通的关键角色,对国家经济增长起到了基础且不可或缺的推动作用。随着铁路系统的不断扩张,铁路的运营环境变得更加多元与复杂。为了维护铁路运营的安全性,迫切需要通过有效的检测和跟踪预警系统来识别和解决这些潜在的安全隐患,其中针对铁路行人以及小目标的检测尤为重要。随着不断优化和更新的深度学习图像识别与跟踪技术,深度学习在目标检测和计算机视觉领域的快速进步为这些图像资料的分析提供了新的可能性。深入研究和开发针对铁路异物的检测与跟踪算法,对于推动我国铁路交通的持续发展和保障国家及民众的利益具有重要的战略意义。
本文通过分析国际与国内在目标检测与跟踪领域的方法和技术,并考虑到铁路异物入侵检测的需求和特点,提出了铁路异物检测与跟踪的改进方法,并通过实验验证了本文所提方法的有效性。主要工作内容如下:
(1)在铁路异物入侵检测时由于异物的尺度差异较大会出现对目标特征提取不充分从而导致检测效果差的问题,以及大多数的模型并不能满足铁路异物检测时所需的高实时性,本文在YOLOX-Tiny深度学习模型的基础上,提出了一种基于改进多尺度特征融合方法以及引入注意力增强机制的铁路异物检测深度学习模型。首先在原模型多尺度FPN金字塔网络的基础上加入小目标检测层,并提出了多尺度加权双向特征融合模块(Bifpn-s),使模型充分利用了不同维度的特征,从而提高了模型的检测精度。同时,将坐标注意力机制加入到模型中,改进YOLOX-Tiny网络结构,提高对感兴趣目标的关注度,提高了多尺度场景下的定位能力。其次,使用更加高效的EIo U损失函数替换模型原有的损失函数,提高了模型的检查精度与收敛速度。最后在自制的铁路异物入侵数据集上与其他方法进行比较,通过实验表明了所提方法在面对多尺度场景下铁路异物检测任务时的有效性,能够满足铁路异物检测的需求。
(2)针对深度学习跟踪算法在进行目标跟踪任务时处理目标位置变动、形态更改和特征遮挡时会产生跟踪精度较低的问题,在Deepsort的轨迹预测部分设计了一种并行预测轨迹算法,将核相关滤波和卡尔曼滤波并行预测轨迹序列,来解决目标轨迹丢失、目标编号跳转等问题,提升目标跟踪的稳定性。为了提升对非匀速运动目标的追踪能力,算法在传统状态向量基础上新增了加速度因子,用以更准确地计算目标的状态转移矩阵和观测矩阵。这两种矩阵分别参与到目标状态的更新过程中,以便将状态向量有效地转换为可观测数据。通过对目标状态的连续预测与更新,进一步构建了基于匀加速运动的卡尔曼滤波模型,能够更高效地处理视频跟踪中遇到的目标动态变化问题。针对表观特征的数据关联匹配中,本文采用OSNet对目标的表观特征进行了高效提取。OSNet专为复杂的表观特征变化设计,它通过多尺度特征提取,能够捕获目标的不同视角、尺度和姿态变化。通过在自制数据集上的实验验证,该改进算法在准确度和精确率方面均满足铁路异物目标跟踪需求。
(3)本文设计与实现基于监控视频的铁路异物检测系统,将改进后的YOLOX-Tiny与Deep Sort方法应用于铁路智能监控系统中,使用效率更高、检测和跟踪精度更高的算法对铁路异物进行更快速与准确的分析。
关键词: 铁路异物检测 ；目标跟踪 ；计算机视觉 ；深度学习
摘要： 随着硬件设备和人工智能算法的不断发展,人工智能已经渗透到生活的各个方面,人工智能辅助甚至完全替代人类操作成为一种趋势。智能汽车(IV)搭载的先进驾驶辅助系统(Advanced Driving Assistance System,ADAS)利用安装在车上的多种传感器,在汽车行驶过程中实时感应周围的环境,采集数据,进行静态、动态目标的识别、检测与追踪,并结合导航仪地图数据,进行系统的运算与分析,从而预先让驾驶者察觉到可能发生的危险,有效地增加了汽车驾驶的舒适性和安全性。ADAS系统被中国汽车行业视为“弯道超车”欧美及日本等汽车强国的最佳途径。然而,传统ADAS系统结构往往以其中所有环节正常工作为前提所设计,实际应用中缺乏容错机制。2016年7月发生的特斯拉自动驾驶致人死亡事故,依赖于摄像头传感器的系统将白色卡车车身上的反光判别成天空区域;2018年发生的Uber自动驾驶系统碰撞行人导致行人死亡的事故,由于夜晚,摄像头发现行人的时间过晚,Lidar系统发现行人却没有被系统采信,而最后时刻发现行人准备采取紧急制动时,系统为了保持汽车姿态没有采取行动。针对出现的种种问题,ADAS系统亟需在容错上取得进展。本文在ADAS系统的传统架构“数据采集—目标检测—决策”中融入容错思想,改进为“数据采集—数据恢复/增强—场景预测—目标检测一增强学习决策”架构,以实现智能汽车的容错感知与决策控制的目的。具体内容如下:1.针对恶劣天气(雨雾天气)对摄像头传感器产生干扰的问题,提出三种改进的图像去雾霾算法。首先,针对传统方法实时性不佳的问题,提出一种改进的基于暗通道优先(Dark Channel Prior,DCP)的去雾算法,优化区域计算为像素计算,使之能够在一次遍历中评估出所有参数,并通过数据统计对产生的误差和按照通道(RGB通道)进行补偿。实验结果表明改进算法的速度是原始算法的10倍以上。其次,为了克服传统基于先验经验的方法存在适用范围的局限性,引入深度学习方法对雾霾图像进行恢复。为了克服深层网络在传播数据过程中产生的数据损失,采用浅层网络,逐“部”(block)逼近的方法,并改进损失函数为峰值信噪比(Peak Signal to Noise Ratio,PSNR)和结构相似性(structural similarity index measurement,SSIM)的加权和。实验数据由深度图片数据库(Make3D和NYU Dataset)和雾霾模型构造而成,结果显示网络在堆叠到3层时,恢复效果和运算速度会达到最佳平衡点。最后,为了克服去雾数据样本少,端对端模型泛化能力弱的问题,采用条件生成式对抗网络(Conditional Generative Adversarial Networks,CGAN)的方法恢复雾霾图像,实验表明基于条件生成式对抗神经网络能够在数量较少的训练数据集中获得足够的泛化能力。2.为了向ADAS系统决策提供更多的依据,为传感器提供冗余数据,保证ADAS在面对传感器故障时有足够的时间进行应急操作,利用循环神经网络(Recurrent Neural Networks,RNN)对场景(雷达信号和视频信号)进行预测。首先,传统RNN在学习长序列时,由于梯度随时间反向传播(Backpropagation Through Time,BPTT)时会产生梯度衰减和梯度爆炸问题。传统的解决方法包括使用改进的激活函数(如Rectified Linear Unit,ReLU),增加L2-正则化,使用“门”控制(如 Long Short-term Memory,LSTM和Gated Recurrent Unit,GRU)。本文将残差学习引入到RNN中,提出了一种残差循环神经网络(Residual RNN,Res-RNN)。残差学习将梯度传递从连乘转化为连加,使梯度传递变为恒等映射。实验表明Res-RNN能够在大大缩短训练时间和预测时间的前提下,提供与LSTM和GRU相同的网络能力。其次,在场景预测中,将传感器采集到的信号视为时间序列,则雷达信号为一维时间序列,Res-RNN能够有效的预测雷达信号,继而将视频信号视为二维时间序列,将Res-RNN中的全连接部分替换为卷积操作提出Res-rCNN,预测视频信号,实验表明残差学习和RNN的结合为RNN的梯度问题提供了新的解决方案,并且能够有效地预测场景。最后,前文以及前人的场景预测方法是以短时间内智能汽车的运动状态保持稳定为前提,考虑到智能汽车有自主改变运动状态的能力,提出一种将视频信号和操作信号作为输入的视频信号预测网络——移动预测网络,该网络能够根据驾驶员的操作对预测信号进行调整。实验表明移动预测网络能够准确预测运动状态突变时的场景。3.为了给ADAS系统提供更多的环境感知信息,对雷达类主动传感器提供信息冗余,甚至在雷达传感器工作失效时加以替代,提出一种加强的目标检测方法。该方法将序列学习和目标检测结合,从一段视频中预测目标种类,位置信息,以及相对位置和相对速度。在数据方面,使用Kitti数据库、Prescan产生的数据库以及Carla仿真环境标注目标类型、位置、相对距离和相对速度。在模型方面,序列学习使用上文提出的Res-rCNN,其中,残差部分引入Inception结构,为模型增加尺度不变性。模型通过一系列改进,使检测能力和速度预测能力达到较高水平。实验表明加强的目标检测方法能够准确地预测目标的种类,位置,以及相对距离和相对速度。4.为了提高ADAS系统的决策能力,克服传统决策方法依赖于规则库和端对端驾驶控制中的开环映射问题,提出一种基于深度学习的决策控制方法解决方案。首先,为了克服智能汽车无法理解文本交通法规,且现行算法没有对交通规则进行特别的关注,提出一种文本边界增强学习决策控制方法。该算法集合了GAN网络非监督学习的特点和梯度优化能在连续域中做出决策的特点。除此之外,文章引入自然语言学习的理念,使增强学习能够学习交通法规。具体地,神经网络通过采集的正负样本学习交通法规得到交通法规文本的特征,并将此表示作为条件,训练神经网络做出的决策实现控制目标并不违反交通规则。实验表明文本边界增强学习方法能够很好地操作汽车,并且遵守文本法律。另外,为了克服基于深度学习普遍是前馈控制,状态和指令无法做到一一映射,利用内容2中对场景的预测,将预测网络加入到闭环回路中,与实际场景进行对比,为训练驾驶系统提供更多的信息和限制,提高了驾驶的安全性。实验表明闭环的端对端方法控制更加准确,对输入噪声的鲁棒性更强。论文通过Prescan,Carla等仿真环境,以及Kitti等公开数据集,分步展示实验结果和本文方法的性能,并与当前主流算法进行对比。在数据使用方面,综合使用公开数据集和仿真场景提高训练效果。
关键词: 智能汽车 ；ADAS ；机器视觉 ；目标检测 ；视频预测 ；循环卷积神经网络 ；增强学习控制
被引量
16
摘要： 目标跟踪技术是机器视觉领域的热门研究方向,广泛应用于智能产业中。随着深度学习的发展,跟踪算法也取得了重大突破,现有的多目标跟踪多是基于检测的目标跟踪算法,检测结果直接影响跟踪性能。在实际监控场景中,行人检测常常会遇到光照变化、物体遮挡、尺度变化、物体运动等问题,容易发生漏检、误检等情况,特别是在目标较小时,检测性能差。当目标存在遮挡情况时,目标跟踪过程中常常出现跟踪错误和ID-switch等问题。因此亟待解决如何构建一个鲁棒的多目标跟踪系统。本文通过将目标跟踪拆分为目标检测与目标跟踪两个子任务,在目标检测中,寻找一个高效准确的检测器对监控视频中的行人进行检测,在目标跟踪任务中,通过对检测器的检测结果进行数据关联来完成对目标的跟踪。本文主要工作如下:(1)对比Faster-RCNN检测器和YOLO系列检测器,最终选取表现优异的YOLO v5检测器作为行人跟踪系统的前置检测器。同时提出基于小波变换中Gaussian余弦曲线特征提取技术与Distractor分类器结合的识别系统方法来改善YOLO v5模型检测结果,最终检测精度高和准确度均得到提升。(2)使用Deep SORT完成对行人的跟踪,针对跟踪系统中目标由于遮挡等原因导致的行人ID跳变问题,提出基于多维交并比与扩展级联匹配方法的超短距离定位算法,提升了算法匹配效果。改进后Deep SORT跟踪算法,减少误检率的同时提高识别速度和准确度。通过在现有的热门行人多目标跟踪数据集MOT16进行实验,验证了该方案能够有效地提高定位精度,并且在很大范围内对目标进行跟踪,验证其实用性。(3)结合改进后的YOLO v5算法和Deep SORT算法,将YOLO v5作为Deep SORT目标跟踪的检测器,并设计出一款基于日常监控视频的行人检测与跟踪系统,对系统做出了详细的需求分析与设计,完成系统设计后,对系统进行了测试,准确性和稳定性符合预期要求,能够完成对日常监控视频中的行人检测跟踪的工作。
关键词: 深度学习 ；行人检测 ；YOLO v5 ；行人跟踪 ；Deep SORT
被引量
7
摘要： 随着城市安防系统的迅速建设,摄像机的数量指数上升,采用人工方法在摄像机集群中追踪行人更加艰难,所以基于深度学习的多目标跟踪方法取得了迅速的发展。本文主要研究了一种非重叠视域多摄像机场景下对多个行人进行跟踪的算法,将其分为三个子问题进行研究,并提出优化和改进的方案。
首先,为解决行人跨相机视域时因视角、光照影响导致特征表达能力不足的问题,提出了一种适应跨视域的特征提取算法。该算法将IBN块嵌入分类网络骨架Res Net应对图像风格转换问题。同时提出随机灰度擦除的数据增强方法,有效改善光照对行人重识别模型的影响。在模型训练时使用Circle Loss代替了Soft Max Loss和Triplet Loss的组合,并结合Center Loss来加强特征的内聚性。该算法在Market1501和Duke MTMC-Re ID两大数据集上训练并在精度上取得显著体提升。
然后,为解决Deep Sort算法应对遮挡能力不足的问题,本文设计一种数据存储结构,使其能够保存更长久的行人特征。给出融合距离信息的IOU关联方案,提高卡尔曼滤波预测的容错率。同时提出低置信度检测关联方法,将被遮挡的轨迹与低置信度检测进行关联,减少因遮挡导致身份切换的次数。将改进的算法在MOT16数据集进行验证。实验结果表明本文做出的改进提升了跟踪的准确度。
最后,为了解决行人跨相机时无法准确识别身份的问题,加入时空信息,并利用Parzen窗平滑时间-频次直方图来获取直观的时空概率。同时为每个轨迹设置5种状态,给出由状态间的转换确定的跟踪流程,明确了轨迹创建与删除的条件。在Duke MTMC数据集验证本文提出的算法,证明其能够在跨摄像机场景下准确关联行人并完成跟踪。
关键词: 行人重识别 ；数据增强 ；Deep Sort ；多目标跟踪
已选:0 清除
批量下载
批量引用
- 1
- 2
- 3
- 4
- 5
- 6
- 8