为了提高静态行人的检测精度,提出了一种基于改进梯度方向直方图共生概率特征的行人检测方法。该方法首先将梯度方向直方图特征分别与局部二值模式和颜色自相似性特征结合生成改进HOG特征,基于该特征使用第一阶段的连续自适应算法(Real ...为了提高静态行人的检测精度,提出了一种基于改进梯度方向直方图共生概率特征的行人检测方法。该方法首先将梯度方向直方图特征分别与局部二值模式和颜色自相似性特征结合生成改进HOG特征,基于该特征使用第一阶段的连续自适应算法(Real Ada Boost)生成共生概率特征;然后基于此共生概率特征利用第二阶段Real Ada Boost算法进行处理得到强分类器;最后使用上述强分类器实现检测和分类。将该算法应用到INRIA行人数据库进行实验,达到了99%的检测精度,优于传统HOG特征提取算法的检测精度,实验结果证明了此算法在提高行人检测精度方面的有效性。展开更多
针对现有的行人检测算法存在的定位精度低、实时性差的问题,借鉴目标检测的研究成果You Only Look Once(YOLO)算法,提出一种实时的行人检测方法。以Tiny-YOLO为基础,改变网络模型的输入尺寸,获得更好的行人特征表达;结合图像中行人尺寸...针对现有的行人检测算法存在的定位精度低、实时性差的问题,借鉴目标检测的研究成果You Only Look Once(YOLO)算法,提出一种实时的行人检测方法。以Tiny-YOLO为基础,改变网络模型的输入尺寸,获得更好的行人特征表达;结合图像中行人尺寸特点,使用聚类分析方法,对数据集进行目标框聚类,选取适合行人检测的候选框尺寸与数量;通过增加一定数量卷积层的方法重新设计特征提取和目标检测网络;在混合数据集上训练,增强模型泛化性。实验结果表明,在应对不同尺寸行人和部分遮挡情况时,文中方法具有更低的漏检率、更好的定位精度与检测效果,且检测速度可以满足实时性要求。展开更多
城市道路场景下的行人目标尺寸变化大,并且人群密集容易引起遮挡问题,增加了行人检测难度。为了提高城市道路区域行人检测的准确性和实时性,更好应对驾驶场景的实际需求,对You Only Look Once(YOLO)方法进行改进。原YOLO模型分为行人特...城市道路场景下的行人目标尺寸变化大,并且人群密集容易引起遮挡问题,增加了行人检测难度。为了提高城市道路区域行人检测的准确性和实时性,更好应对驾驶场景的实际需求,对You Only Look Once(YOLO)方法进行改进。原YOLO模型分为行人特征提取阶段和行人坐标回归阶段,将浅层特征与深层特征多尺度融合,增加骨架网络的特征提取效果;添加注意力机制,在特征融合后加入空间通道增强模块,并且将GIoU损失引入网络训练过程,提高对遮挡目标的识别能力;结合行人尺寸,提出CrossYOLO层对网络宽度进行调整,加快了模型运算速度。在Caltech行人基准数据集下进行验证实验,结果表明YOLO-Person模型与原YOLO以及其他流行方法相比,对小目标和遮挡目标误检率更低,并且速度更快,具有一定的实际应用价值。展开更多
文摘为了提高静态行人的检测精度,提出了一种基于改进梯度方向直方图共生概率特征的行人检测方法。该方法首先将梯度方向直方图特征分别与局部二值模式和颜色自相似性特征结合生成改进HOG特征,基于该特征使用第一阶段的连续自适应算法(Real Ada Boost)生成共生概率特征;然后基于此共生概率特征利用第二阶段Real Ada Boost算法进行处理得到强分类器;最后使用上述强分类器实现检测和分类。将该算法应用到INRIA行人数据库进行实验,达到了99%的检测精度,优于传统HOG特征提取算法的检测精度,实验结果证明了此算法在提高行人检测精度方面的有效性。
文摘针对现有的行人检测算法存在的定位精度低、实时性差的问题,借鉴目标检测的研究成果You Only Look Once(YOLO)算法,提出一种实时的行人检测方法。以Tiny-YOLO为基础,改变网络模型的输入尺寸,获得更好的行人特征表达;结合图像中行人尺寸特点,使用聚类分析方法,对数据集进行目标框聚类,选取适合行人检测的候选框尺寸与数量;通过增加一定数量卷积层的方法重新设计特征提取和目标检测网络;在混合数据集上训练,增强模型泛化性。实验结果表明,在应对不同尺寸行人和部分遮挡情况时,文中方法具有更低的漏检率、更好的定位精度与检测效果,且检测速度可以满足实时性要求。
文摘城市道路场景下的行人目标尺寸变化大,并且人群密集容易引起遮挡问题,增加了行人检测难度。为了提高城市道路区域行人检测的准确性和实时性,更好应对驾驶场景的实际需求,对You Only Look Once(YOLO)方法进行改进。原YOLO模型分为行人特征提取阶段和行人坐标回归阶段,将浅层特征与深层特征多尺度融合,增加骨架网络的特征提取效果;添加注意力机制,在特征融合后加入空间通道增强模块,并且将GIoU损失引入网络训练过程,提高对遮挡目标的识别能力;结合行人尺寸,提出CrossYOLO层对网络宽度进行调整,加快了模型运算速度。在Caltech行人基准数据集下进行验证实验,结果表明YOLO-Person模型与原YOLO以及其他流行方法相比,对小目标和遮挡目标误检率更低,并且速度更快,具有一定的实际应用价值。