物体检测

摘要： 近年来深度学习的进步大大推动了物体检测的发展,其中SSD(Single Shot MultiBox Detector)方法在物体检测领域应用较多。然而传统SSD难以应用在硬件资源受限的嵌入式设备中。因此,通过分析SSD方法的基本流程和原理,采用MobileNet卷积神经网络替换SSD的VGG16网络作为后续改进基准。采用不同尺度的卷积核对网络各层进行卷积特征提取,并合并各个特征图信息。实验结果表明:改进后的SSD方法能够有效地运行在树莓派上。在VOC2017数据集上的平均精度均值可达72.4%。该文提出的多维度的特征图检测方法可以有效提高网络的检测精度。

摘要： 针对水下环境恶劣,人类潜水深度有限,捕捞多是采用传统人工作业模式,设计具有传统作业和自动作业的水下机器人作业过程。使用Maya进行模型和动画构建,Unity引擎开发场景。脚本语言实现游戏逻辑,并运用物体检测技术实现物体检测。利用Unity的生命周期模型,依据需求分析来设计完善项目方案。系统测试时使用了黑盒测试方法来完成功能测试,性能测试工具Profiler来优化系统性能。项目较好地实现了水下机器人的作业过程,并实现了部分自动化、智能化功能。

摘要： 具有泛化能力的视觉特征对于计算机视觉任务来说是至关重要的。基于深度神经网络的方法采用逐层叠加特征的形式获取多尺度特征图,导致计算开销显著增加。为解决这一问题,通过在标准卷积算子中部署渐进式多尺度架构,提出一种轻量和高效的尺度嵌套卷积算子(scale-in-scale,SIS)。具体来说,设计了一种变换—分离—对抗机制来优化常规的通道计算,减轻了计算成本,同时在单一卷积层内扩大了感受野。同时,引入权重共享与特征拆分交互运算,并结合特征递归和融合机制,使所提出SIS算子能够与其他卷积算子结合,例如经典的Res Net和Res2Net架构。我们将SIS算子部署到第29层、50层和101层的Res Net和Res2Net变体中,并在CIFAR、PASCAL VOC和COCO2017等公开基准数据集上评估这些修改后的模型。实验结果表明,所提出的方法在图像分类、关键点估计、语义分割和物体检测等计算机视觉任务上的性能均优于同时期最先进的方法。

摘要： 输电线路是电网的重要组成部分,确保输电线路安全是保障电力系统稳定运行的重要措施。文章提出一种基于YOLO(you only Look once)算法的输电线路检测模型,用以对无人机等可见光拍摄图像中的输电线路进行物体检测。输电线路的识别检测任务一直是目标检测任务的难题,针对输电线路细长物理结构的特点,对微型目标检测YOLO模型进行改进,设计了对细长物理结构的高长宽比预测锚(anchor),对特征提取网络Darknet进行精简,在保持模型性能和检测精度的基础上对其进行轻量化处理,设计一种可通过单GPU(graphics processing unit)训练的轻量级模型并通过实验与原始YOLO模型、Faster R-CNN以及SSD在测试集上进行性能对比。实验结果表明,轻量级YOLO模型在测试集上检测精度达到83.04%,说明预测锚结构和精简后的网络模型对于输电线路检测是有效的。

摘要： 针对缘于深度学习模型脆弱性的对抗样本攻击这一国内外热门研究课题,以无人驾驶等实际应用为背景,探讨了针对Yolo-v2行人检测系统的对抗攻击方法;基于Yolo-v2对行人目标的预测置信度和分类概率,提出基于两阶段目标类指引的行人检测对抗补丁生成算法。创新性地提出了目标类指引的攻击策略,通过先后实施目标类指引的对抗补丁生成和对抗补丁增强,有效引导了对抗补丁在训练生成过程中的收敛方向,以此逐步提升对抗补丁攻击行人检测系统的能力;在Inria数据集上实现了79个目标类指引的对抗补丁生成训练与测试。结果表明,算法以“teddy bear”为目标类生成了攻击效果最佳的对抗补丁,行人检测交并比(IOU)指标可达0.0435,显著优于对照算法的0.2448。

摘要： 边缘检测是图像处理中的基本问题,传统的边缘检测中有多种算子,Canny算子、Sobel算子、Prewitt算子。文中对标准HED网络模型的激活函数进行改进,并将改进后的模型应用于无人化工厂中的货物纸箱边缘检测问题,与传统的边缘检测算子对比分析,改进的HED网络模型得到了较好的检测结果。

摘要： 针对人工分拣垃圾成本过高影响垃圾分类推广的问题,将计算机视觉中的物体检测应用于垃圾分类领域,实现“云、边、端”协同的垃圾分类检测系统开发。从垃圾物体数据采集和预处理,到配置YOLO v3神经网络模型,并将模型部署在硬件开发板上,通过摄像头识别垃圾物体并完成垃圾分类检测任务,实现理论研究到生产实践落地的整个过程。

摘要： 为解决视力障碍人群出行问题,提供了一种全新的基于深度学习框架TensorFlow Lite的智能辅助行进系统的设计方案,在树莓派上借助深度学习TensorFlow Lite进行系统开发,实现了物体检测、物体识别、道路平整度检测、语音播报预警等功能,并且利用3D打印技术,打印出轻量级的辅助头盔用以装载以上部件。整套系统使用场景丰富,成本低,具有很好的市场推广价值。

摘要： 查看视频监控的过程中,一些场景存在因为人脸面部信息暴露在监控视频中导致个人隐私信息泄露的风险,有必要对实时视频流中的行人隐私信息进行马赛克处理.目前市面上常见的基于人脸检测的打码方法在实时监控视频流上打码效果受行人姿态、光线影响较大,存在实时性差、漏检较多等问题.针对以上问题,提出了融合人脸检测算法、目标物体检测算法和前置帧关联检测方法的多检测模型,并与传统的人脸检测模型进行对比.实验结果表明,在人脸检测召回率上,所提模型相较于传统人脸检测算法提高了532％.

摘要： 高精度物体检测网络急剧增加的参数和计算量使得它们很难在车辆和无人机等端侧设备上直接部署使用.针对这一问题,从网络压缩和计算加速两方面入手,提出了一种面向残差网络的新型压缩方案来实现YOLOv3的压缩,并通过ZYNQ平台对这一压缩后的网络进行加速.首先,提出了包括网络裁剪和网络量化两方面的网络压缩算法.网络裁剪方面,给出了针对残差结构的裁剪策略来将网络剪枝分为通道剪枝和残差链剪枝两个粒度,解决了通道剪枝无法应对残差连接的局限性,进一步降低了模型的参数量;网络量化方面,实现了一种基于相对熵的模拟量化方法,以通道为单位对参数进行量化,在线统计模型的参数分布与参数量化造成的信息损失,从而辅助选择最优量化策略来减少量化过程的精度损失.然后,在ZYNQ平台上设计并改进了8比特的卷积加速模块,从而优化了片上缓存结构并结合Winograd算法实现了压缩后YOLOv3的加速.实验结果表明,所提压缩算法较YOLOv3 tiny能够进一步降低模型尺寸,但检测精度提升了7个百分点;同时ZYNQ平台上的硬件加速方法获得了比其他平台更高的能耗比,从而推进了YOLOv3以及其他残差网络在ZYNQ端侧的实际部署.

摘要： CNN应用在图像分类和物体检测中能提供较高的准确性,并且通用性很好.要创建有效的物体检测方法实现实时控制,如何选择适当的基于CNN的检测软件框架,调整其关键参数并充分利用硬件的潜力是非常关键的.在现成的移动GPU设备上,基于分析结果和对多种解决方案的观察,提出调整检测框架的设计参数,使用了设计空间探索方法,以充分利用硬件资源,最大化物体检测方法的运行效率(自定义指标mAP*FPS),从初始的0.86提升到8.33,提升了9.7倍.使用矩阵分解方法和半精度浮点数实现底层运算,成功的提升了物体检测算法的运行速度,初步压缩了检测模型.将初始大小为233MB的FastR-CNN网络的模型最终压缩到54MB,压缩了4.3倍.

摘要： 交通场景物体检测是自动驾驶的关键问题之一.利用基于回归方法的卷积神经网络物体检测算法训练交通场景物体检测器模型,测试检测器模型对于交通场景物体的检测性能,并将训练好的交通场景物体检测器模型植入Jetson TX1嵌入式开发系统,使其能够在白天与黑夜不同光照条件下对交通场景物体进行实时的检测.经实验证明Single Shot Multi Box Detector(SSD)算法检测交通场景的物体平均精度为81％.

摘要： 为解决传统智能频监控系统自动化程度不高的问题,本文提出了一种前景自适应分割、自适应阈值相结合的减背景的运动物体检测算法。利用初始帧图像产生初始背景且不断进行自动更新,当有运动物体时自动分割出前景，使用自适应阈值替代人为的选择阈值,减少了检测结果的误差。实验结果表明，该方法判断准确率很高,而且实时性很好。

摘要： 本发明的数码相机(1)具有：存储部(2)，保存信息；帧图像取得部(51)，取得动画影像中的帧图像；特征点提取部，从帧图像中提取追踪用特征信息，并保存在存储部(2)中，所述追踪用特征信息是追踪拍摄的动画影像中所包含的对象物体，且向对象物体赋予特征的信息；追踪对象区域计算部，根据特征点提取部提取的追踪用特征信息与、存储部(2)中所保存的涉及帧图像的过去的追踪用特征信息之间的变化，检测对象物体的图像区域；检测用特征量提取部(52)，从追踪对象区域计算部检测出的对象物体的图像区域中，提取检测用特征信息；登录部(54)，将检测用特征量提取部(52)提取的检测用特征信息的一部分或全部登录在存储部(2)。

摘要： 本发明的数码相机(1)具有：存储部(2)，保存信息；帧图像取得部(51)，取得动画影像中的帧图像；特征点提取部，从帧图像中提取追踪用特征信息，并保存在存储部(2)中，所述追踪用特征信息是追踪拍摄的动画影像中所包含的对象物体，且向对象物体赋予特征的信息；追踪对象区域计算部，根据特征点提取部提取的追踪用特征信息与、存储部(2)中所保存的涉及帧图像的过去的追踪用特征信息之间的变化，检测对象物体的图像区域；检测用特征量提取部(52)，从追踪对象区域计算部检测出的对象物体的图像区域中，提取检测用特征信息；登录部(54)，将检测用特征量提取部(52)提取的检测用特征信息的一部分或全部登录在存储部(2)。

摘要： 本发明是一种可与外部存储器(2)和其他装置共用总线(3)的物体检测装置，可抑制分辨率变换的总线占有所引起的处理能力的下降。本发明的物体检测装置具备：原图像数据取得部件，从外部存储器(2)经总线(3)取得原图像数据；缩小处理部件，一旦由原图像数据取得部件一度取得原图像数据，则根据该原图像数据，生成缩小率彼此不同的多种缩小图像数据；和物体检测部件(7)，通过对多种缩小图像数据执行使用了物体模板的匹配处理，检测多种缩小图像的各自中物体映入的位置。

摘要： 采用图像检测运动物体的运动物体检测装置(1)，具备：取得图像帧间的像素的运动度的运动度取得部(11)；取得上述图像帧所包含的像素的颜色的颜色取得部(13)；按上述颜色取得部所取得的颜色根据上述运动度来计算表示颜色的运动程度的评价得分的评价得分计算部(14)；以及根据每一颜色的上述评价得分来检测上述运动物体的运动物体检测部(15)。

摘要： 物体检测装置具备处理器。处理器获取或者生成基于安装在移动体上的立体照相机的输出而生成的第一视差图像。第一视差图像是在由立体照相机的基线长度方向所对应的第一方向和与第一方向相交的第二方向构成的二维平面上配置表示视差的像素而成的。处理器利用两条直线对第一视差图像中包含的、移动体的行进方向的路面的第二方向的坐标和表示路面的视差之间的关系进行近似。

摘要： 物体检测装置构成为执行第一处理、第二处理以及物体检测处理(第三、第四处理)。第一处理中，基于第一视差图推定实际空间中的路面的形状。第一视差图是根据拍摄包含路面的图像的立体照相机的输出而生成的，而且，第一视差图是从所述立体照相机的输出获得的视差与由第一方向和与所述第一方向相交的第二方向构成的二维坐标相关联的图，其中，所述第一方向与所述立体照相机的拍摄图像的水平方向相对应。第二处理中，基于推定的路面的所述形状，从第一视差图去除与实际空间中距路面预定范围内的高度对应的视差，生成第二视差图。物体检测处理(第三、第四处理)中，基于第二视差图检测物体。

摘要： 物体检测装置构成为执行路面检测处理、物体视差确定处理以及物体检测处理。路面检测处理基于第一视差图推定路面的位置。第一视差图是基于立体照相机的输出而生成的，视差与由第一方向和与第一方向相交的第二方向构成的二维坐标相关联，其中，第一方向与立体照相机的拍摄图像的水平方向对应。物体视差确定处理中，在第一视差图的第一方向上的每个坐标范围的视差的出现次数超过与视差对应的预定阈值的情况下降视差确定为物体视差。物体检测处理中，将物体视差的信息变换为x‑z坐标空间上的点群，通过提取点群的集合来检测物体。

摘要： 物体检测装置具备处理器。处理器构成为，通过对UD图的坐标点使用霍夫变换来检测规定长度的直线，并将检测到的规定长度的直线所对应的对象视差检测为与立体摄像头的行进方向平行的物体所对应的视差。UD图是使从拍摄图像获取的视差中的、满足规定条件的对象视差与由第一方向和视差的大小所对应的方向构成的二维坐标的坐标点相关联而成的图。第一方向对应于由立体摄像头拍摄路面而生成的拍摄图像的水平方向。处理器构成为在霍夫变换中，将通过对象视差所相关联的各坐标点和基于消失点的规定范围的直线转换至霍夫空间。

摘要： 第一物体检测部(30)在非快速处理模式中，从拍摄图像中检测物体，并输出物体位置信息。切换部(20)在由第一物体检测部(30)输出了物体位置信息的情况下，切换为快速处理模式。图像裁剪部(40)在快速处理模式中，基于从第一物体检测部(30)输出的物体位置信息，从拍摄图像中提取裁剪图像。第二物体检测部(60)从裁剪图像中检测物体，并输出物体位置信息。伸出判定部(70)判定由第二物体检测部(60)检测出的物体是否从裁剪图像伸出。切换部(20)在判定为由第二物体检测部(60)检测出的物体从裁剪图像伸出的情况下，切换为非快速处理模式。

摘要： 数据提取部(23)在由摄影装置(41)拍摄摄影区域而得到的图像数据中，提取包含检测对象区域的区域的图像数据作为对象数据，并且提取对象数据中的放大区域的图像数据作为部分数据。大小变更部(24)将对象数据和部分数据分别大小变更成由物体检测模型要求的要求大小，所述物体检测模型是从图像数据中检测物体的模型。物体检测部(25)将大小变更后的对象数据和部分数据分别输入到物体检测模型，从对象数据和部分数据中分别检测对象物体。