CN108830196A - 基于特征金字塔网络的行人检测方法 - Google Patents

基于特征金字塔网络的行人检测方法 Download PDF

Info

Publication number
CN108830196A
CN108830196A CN201810549857.7A CN201810549857A CN108830196A CN 108830196 A CN108830196 A CN 108830196A CN 201810549857 A CN201810549857 A CN 201810549857A CN 108830196 A CN108830196 A CN 108830196A
Authority
CN
China
Prior art keywords
network
pedestrian
feature pyramid
detection method
pyramid network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810549857.7A
Other languages
English (en)
Inventor
王慧燕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Gui He Software Technology Co Ltd
Original Assignee
Shanghai Gui He Software Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Gui He Software Technology Co Ltd filed Critical Shanghai Gui He Software Technology Co Ltd
Priority to CN201810549857.7A priority Critical patent/CN108830196A/zh
Publication of CN108830196A publication Critical patent/CN108830196A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于特征金字塔网络的行人检测方法，包括如下步骤：S1.建立FOSFPN网络；S2.读取视频帧，进行预处理；S3.将帧图像前向传播，得出检测框；S4.对检测结果进行非极大值抑制过滤重复多余的检测框；S5.规范超出边界的检测框，得到最终的检测结果。本发明在于提供一种不仅能够减少计算量，以行人识别为应用背景，降低简化网络带来的性能损失的一种基于特征金字塔网络的行人检测方法。

Description

基于特征金字塔网络的行人检测方法
技术领域
本发明属于图像处理和模式识别领域，涉及一种基于特征金字塔网络的行人检测方法。
背景技术
特征金字塔是多尺度目标检测***中的一个基本组成部分。近年来深度学习目标检测特意回避金字塔特征表示，因为特征金字塔在计算量和内存上很昂贵。所以作者利用了深度卷积神经网络固有的多尺度、多层级的金字塔结构去构建特征金字塔网络。使用一种自上而下的侧边连接，在所有尺度构建了高级语义特征图，这种结构就叫特征金字塔网络(FPN)。其在特征提取上改进明显，把FPN用在Faster R-CNN上，在COCO数据集上，结果超过了目前所有的单模型(single-model)检测方法，而且在GPU上可以跑到5FPS。
行人检测技术作为多种视觉任务的基础，在图像处理与模式识别领域占据十分重要的地位。近些年，伴随着基于神经网络的人工智能的快速发展，行人检测技术越来越多的应用在各类视觉任务中。例如车辆辅助驾驶、自动驾驶、智能交通、行人识别等任务的前提即为高精度、高准确率的行人检测方法。
早期的行人检测技术依赖手工构造特征，配合传统机器学习进行。例如著名的结合梯度直方图特征(Histogram of Gradient，简称Hog)和支持向量机(Support VectorMachines，简称SVM)的行人检测算法，利用滑动窗口对图像进行扫描，对滑动窗内的目标提取Hog特征，再使用SVM进行分类。该算法不但时间消耗巨大，而且效果也不尽如人意。近些年随着人工智能技术的不断进步，基于神经网络的目标检测方法层出不穷。最具代表性的方法有MTCNN(人脸检测)、YOLO、SSD(固态硬盘)以及Faster RCNN(其中，RPN是全卷积神经网络，用于提取候选框；Fast R-CNN基于RPN提取的proposal检测并识别proposal中的目标。)。
其中MTCNN(人脸检测)采用小型神经网络分类配合滑动窗口进行快速检测，达到了不错的检测效果和速度，但是泛化性能较差，对特定场景需要重新训练。YOLO和SSD采用深层次的卷积网络，通过一次性对每个特征图的锚点进行分类和偏差回归实现检测过程，此类方法在速度上较快，泛化性能较好，但在精度上有所损失。二阶段的Faster RCNN算法性能相对其他几种是最好的，但是由于全连接层的介入使得计算量极具增加，难以应用于要求实时性的工业应用场景。
一方面网络复杂度的加深会使得网络的效果提升，同时带来计算量的增大。为了平衡效果和速度，谷歌公司提出了MobileNet的网络结构，该网络将神经网络中的卷积核简化为二维矩阵，将卷积运算简化为二维卷积，以此达到减少计算量的目的。同时最大限度的降低了简化网络带来的性能损失。
发明内容
有鉴于此，本发明在于提供一种不仅能够减少计算量，以行人识别为应用背景，降低简化网络带来的性能损失的一种基于特征金字塔网络的行人检测方法。
为了实现本发明目的，可以采取以下技术方案：
一种基于特征金字塔网络的行人检测方法，包括如下步骤：
S1.建立FOSFPN网络；
S2.读取视频帧，进行预处理；
S3.将帧图像前向传播，得出检测框；
S4.对检测结果进行非极大值抑制过滤重复多余的检测框；
S5.规范超出边界的检测框，得到最终的检测结果。
所述读取视频帧，进行预处理是将送入FOSFPN网络的图像减去图像平均值并进行归一化到(0,1)。
所述帧图像前向传播是将该帧图像送入训练好的FOSFPN网络中做前向传播操作，取每层金字塔网络的输出各自计算分类结果以及回归结果。
所述分类结果表示该帧图像锚点目标是行人或背景的概率；所述回归结果表示预测结果相对与该帧图像锚点的偏差；筛选出行人概率超过0.6的锚点，再去除锚点对应预测的偏差，用预测出的偏差修正锚点的坐标，得到初步的检测结果。
所述对检测结果进行非极大值抑制过滤重复多余的检测框是对初步得到的检测结果按照概率进行排序，过滤调局部非最大概率的检测结果。
所述规范超出边界的检测框是将超出图像范围的的检测框进行修正。
本发明提供的技术方案的有益效果是:1)以MobileNet提取图像特征，并特征金字塔结构增强特征设计了FOSFPN网络结构，再联合多损失函数训练的方法提升行人检测的效果，尤其是小目标行人的检测效果；2)本发明实用于各种类型的视频监控检测行人，适用于需要实时行人检测的工业应用，行人识别等高层应用的基础检测模型等；3)适用范围广，效果和速度均可达到state-of-art级别。
附图说明
图1为本发明实施例基于特征金字塔网络的行人检测方法流程图。
具体实施方式
下面结合附图及本发明的实施例对发明作进一步详细的说明。
实施例1
参看图1，该基于特征金字塔网络的行人检测方法，包括如下步骤：
S1.建立FOSFPN网络；
S2.读取视频帧，进行预处理；
S3.将帧图像前向传播，得出检测框；
S4.对检测结果进行非极大值抑制过滤重复多余的检测框；
S5.规范超出边界的检测框，得到最终的检测结果。
本发明设计了一种新的网络结构：即快速一级特征金字塔网络【Fast One StageFeature Pyramid Network(简称FOSFPN)】，采用轻量级的深层神经网络(MobileNet)作为网络基本结构，构造特征金字塔，并在不同尺度的特征图上各自增加分类损失函数和回归损失函数来进行网络训练。
所述特征金字塔结构融合了高分辨率的底层特征和低分辨率的语义特征，有助于提升行人坐标的准确性，降低误检发生的概率。
多个损失函数的设计缓解了深层网络的梯度弥散问题并可以让网络收敛过程更快，而该MobileNet作为底层网络使得本方法计算开销大大降低，满足工业应用实时性的要求。
上述方法所述的轻量级的深层神经网络(MobileNet)为：
a.本发明所述的网络以MobileNet为基础作为卷积层提取特征，该网络包含5大卷积模块，在每一个卷积模块的最后一层输出增加分类损失函数和回归损失函数；
b.将人工标注的样本通过网络的数据层输入到网络中进行训练。训练数据包含图片以及图片中行人的坐标信息。
由于使用了多个损失函数，需要给每个损失函数配置权重，本发明方法采用均匀分配的方式分配权重，采用随机梯度下降算法优化网络权重，训练网络模型直到收敛。
实施例2
与上述实施例不同之处在于，所述读取视频帧，进行预处理是将送入该FOSFPN网络的图像减去图像平均值并进行归一化到(0,1)。
本实施例所述读取视频帧，是将图像做去均值处理。对每个通道减去对应的均值，再除以255得到归一化输入数据；
所述帧图像前向传播是将该帧图像送入训练好的FOSFPN网络中做前向传播操作，取每层金字塔网络的输出各自计算分类结果以及回归结果。
所述分类结果表示该帧图像锚点目标是行人或背景的概率；所述回归结果表示预测结果相对与该帧图像锚点的偏差；筛选出行人概率超过0.6的锚点，再去除锚点对应预测的偏差，用预测出的偏差修正锚点的坐标，得到初步的检测结果。
本发明读取视频图像序列中的视频帧，其中i为帧号，N为视频总帧数。将该帧图像送入训练好的网络中做前向传播操作，取每层金字塔的输出各自计算分类结果以及回归结果。
分类结果表示该锚点表示的目标是行人或背景的概率。回归结果表示预测结果相对与锚点的偏差。首先筛选出行人概率超过0.6的锚点，再去除锚点对应预测的偏差。用预测出的偏差修正锚点的坐标。得到初步的检测结果P1。
对输入数据计算网络前向传播结果，对每个锚点计算其属于行人的概率以及偏差，利用偏差修正锚点位置得到预测框P1；
所述网络前向传播的具体操作为：
送入网络的图像首先经过预处理，即为减去图像平均值并归一化到(0,1)。图像送入网络中后，逐层进行前向传播计算。随后取出金字塔各自的输出结果。利用Softmax函数对分类通道进行计算，并用逻辑回归函数计算最终回归偏差offset＝{dx,dy,dw,dh}。锚点表示为anchor＝{x,y,w,h}。预测结果为P1＝{x+dx-w*dw/2,y+dy-h*dh/2,x+dx+w*dw/2,y+dy+h*dh/2}。
所述对检测结果进行非极大值抑制过滤重复多余的检测框是对初步得到的检测结果按照概率进行排序，过滤调局部非最大概率的检测结果。
使用非极大值抑制算法，对初步结果进行后处理。首先对初步得到的检测结果按照概率进行排序，过滤调局部非最大概率的检测结果，得到P2。
本实施例将P1检测结果按概率排序，进行非极大值抑制处理。具体为遍历每一个候选框，将与之交并比超过0.3且概率较小的候选框去除，得到预测框P2；
本实施例将过滤掉超出图像范围的预测结果，预测结果为目标框的左上角坐标(x1,y1)和右下角坐标(x2,y2)。由于用回归出的偏差修正锚点的过程中可能会出现坐标超出图像范围的现象。如果x2大于图像宽度，x2修改为图像宽度，如果y2大于图像高度，y2修改为图像高度。若x1,y1小于0，将x1,y1修正为0。得到最终检测结果P3。
本实施例将P2中超出图像范围的的候选框进行修正。具体为若坐标大于宽高，则修改为等于宽高；若坐标小于0，则修改为等于0。得到最终检测结果P3。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims (6)

1.一种基于特征金字塔网络的行人检测方法，其特征在于：包括如下步骤：
S1.建立FOSFPN网络；
S2.读取视频帧，进行预处理；
S3.将帧图像前向传播，得出检测框；
S4.对检测结果进行非极大值抑制过滤重复多余的检测框；
S5.规范超出边界的检测框，得到最终的检测结果。
2.根据权利要求1所述基于特征金字塔网络的行人检测方法，其特征在于：所述读取视频帧，进行预处理是将送入FOSFPN网络的图像减去图像平均值并进行归一化到(0,1)。
3.根据权利要求2所述基于特征金字塔网络的行人检测方法，其特征在于：所述帧图像前向传播是将该帧图像送入训练好的FOSFPN网络中做前向传播操作，取每层金字塔网络的输出各自计算分类结果以及回归结果。
4.根据权利要求3所述基于特征金字塔网络的行人检测方法，其特征在于：所述分类结果表示该帧图像锚点目标是行人或背景的概率；所述回归结果表示预测结果相对与该帧图像锚点的偏差；筛选出行人概率超过0.6的锚点，再去除锚点对应预测的偏差，用预测出的偏差修正锚点的坐标，得到初步的检测结果。
5.根据权利要求1所述基于特征金字塔网络的行人检测方法，其特征在于：所述对检测结果进行非极大值抑制过滤重复多余的检测框是对初步得到的检测结果按照概率进行排序，过滤调局部非最大概率的检测结果。
6.根据权利要求1所述所述基于特征金字塔网络的行人检测方法，其特征在于：所述规范超出边界的检测框是将超出图像范围的的检测框进行修正。
CN201810549857.7A 2018-05-31 2018-05-31 基于特征金字塔网络的行人检测方法 Pending CN108830196A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810549857.7A CN108830196A (zh) 2018-05-31 2018-05-31 基于特征金字塔网络的行人检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810549857.7A CN108830196A (zh) 2018-05-31 2018-05-31 基于特征金字塔网络的行人检测方法

Publications (1)

Publication Number Publication Date
CN108830196A true CN108830196A (zh) 2018-11-16

Family

ID=64145401

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810549857.7A Pending CN108830196A (zh) 2018-05-31 2018-05-31 基于特征金字塔网络的行人检测方法

Country Status (1)

Country Link
CN (1) CN108830196A (zh)

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109559300A (zh) * 2018-11-19 2019-04-02 上海商汤智能科技有限公司 图像处理方法、电子设备及计算机可读存储介质
CN109801270A (zh) * 2018-12-29 2019-05-24 北京市商汤科技开发有限公司 锚点确定方法及装置、电子设备和存储介质
CN109815886A (zh) * 2019-01-21 2019-05-28 南京邮电大学 一种基于改进YOLOv3的行人和车辆检测方法及***
CN109886159A (zh) * 2019-01-30 2019-06-14 浙江工商大学 一种非限定条件下的人脸检测方法
CN109919045A (zh) * 2019-02-18 2019-06-21 北京联合大学 基于级联卷积网络的小尺度行人检测识别方法
CN109977952A (zh) * 2019-03-27 2019-07-05 深动科技（北京）有限公司 基于局部最大值的候选目标检测方法
CN109993089A (zh) * 2019-03-22 2019-07-09 浙江工商大学 一种基于深度学习的视频目标去除及背景恢复方法
CN110188596A (zh) * 2019-01-04 2019-08-30 北京大学 基于深度学习的监控视频行人实时检测、属性识别与跟踪方法及***
CN110348329A (zh) * 2019-06-24 2019-10-18 电子科技大学 基于视频序列帧间信息的行人检测方法
CN110414574A (zh) * 2019-07-10 2019-11-05 厦门美图之家科技有限公司 一种目标检测方法、计算设备及存储介质
CN110533000A (zh) * 2019-09-06 2019-12-03 厦门美图之家科技有限公司 人脸图像检测方法、装置、计算机设备和可读存储介质
CN110853353A (zh) * 2019-11-18 2020-02-28 山东大学 基于视觉的密度交通车辆计数和交通流量计算方法及***
CN111340051A (zh) * 2018-12-18 2020-06-26 北京京东尚科信息技术有限公司 图片处理方法、装置及存储介质
CN111488766A (zh) * 2019-01-28 2020-08-04 北京京东尚科信息技术有限公司 目标检测方法和装置
CN111597959A (zh) * 2020-05-12 2020-08-28 三一重工股份有限公司 行为检测方法、装置及电子设备
CN111666836A (zh) * 2020-05-22 2020-09-15 北京工业大学 M-f-y型轻量化卷积神经网络的高分辨率遥感影像目标检测方法
CN112115862A (zh) * 2020-09-18 2020-12-22 广东机场白云信息科技有限公司 一种结合密度估计的拥挤场景行人检测方法
CN113052189A (zh) * 2021-03-30 2021-06-29 电子科技大学 一种基于改进的MobileNetV3特征提取网络
CN113689460A (zh) * 2021-09-02 2021-11-23 广州市奥威亚电子科技有限公司 视频目标对象跟踪检测方法、装置、设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160104056A1 (en) * 2014-10-09 2016-04-14 Microsoft Technology Licensing, Llc Spatial pyramid pooling networks for image processing
CN105547297A (zh) * 2015-12-11 2016-05-04 武汉大学 一种基于uwb定位***的室内定位方法
CN106156744A (zh) * 2016-07-11 2016-11-23 西安电子科技大学 基于cfar检测与深度学习的sar目标检测方法
CN106960183A (zh) * 2017-03-04 2017-07-18 浙江大学 一种基于梯度提升决策树的图像行人检测算法
CN107169421A (zh) * 2017-04-20 2017-09-15 华南理工大学 一种基于深度卷积神经网络的汽车驾驶场景目标检测方法
CN107194338A (zh) * 2017-05-14 2017-09-22 北京工业大学 基于人体树图模型的交通环境行人检测方法
CN107610140A (zh) * 2017-08-07 2018-01-19 中国科学院自动化研究所 基于深度融合修正网络的精细边缘检测方法、装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160104056A1 (en) * 2014-10-09 2016-04-14 Microsoft Technology Licensing, Llc Spatial pyramid pooling networks for image processing
CN105547297A (zh) * 2015-12-11 2016-05-04 武汉大学 一种基于uwb定位***的室内定位方法
CN106156744A (zh) * 2016-07-11 2016-11-23 西安电子科技大学 基于cfar检测与深度学习的sar目标检测方法
CN106960183A (zh) * 2017-03-04 2017-07-18 浙江大学 一种基于梯度提升决策树的图像行人检测算法
CN107169421A (zh) * 2017-04-20 2017-09-15 华南理工大学 一种基于深度卷积神经网络的汽车驾驶场景目标检测方法
CN107194338A (zh) * 2017-05-14 2017-09-22 北京工业大学 基于人体树图模型的交通环境行人检测方法
CN107610140A (zh) * 2017-08-07 2018-01-19 中国科学院自动化研究所 基于深度融合修正网络的精细边缘检测方法、装置

Cited By (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109559300A (zh) * 2018-11-19 2019-04-02 上海商汤智能科技有限公司 图像处理方法、电子设备及计算机可读存储介质
CN111340051A (zh) * 2018-12-18 2020-06-26 北京京东尚科信息技术有限公司 图片处理方法、装置及存储介质
CN109801270A (zh) * 2018-12-29 2019-05-24 北京市商汤科技开发有限公司 锚点确定方法及装置、电子设备和存储介质
TWI773945B (zh) * 2018-12-29 2022-08-11 大陸商北京市商湯科技開發有限公司 錨點確定方法、電子設備和儲存介質
CN109801270B (zh) * 2018-12-29 2021-07-16 北京市商汤科技开发有限公司 锚点确定方法及装置、电子设备和存储介质
US11301726B2 (en) 2018-12-29 2022-04-12 Beijing Sensetime Technology Development Co., Ltd. Anchor determination method and apparatus, electronic device, and storage medium
CN110188596A (zh) * 2019-01-04 2019-08-30 北京大学 基于深度学习的监控视频行人实时检测、属性识别与跟踪方法及***
CN109815886A (zh) * 2019-01-21 2019-05-28 南京邮电大学 一种基于改进YOLOv3的行人和车辆检测方法及***
CN111488766A (zh) * 2019-01-28 2020-08-04 北京京东尚科信息技术有限公司 目标检测方法和装置
CN109886159A (zh) * 2019-01-30 2019-06-14 浙江工商大学 一种非限定条件下的人脸检测方法
CN109886159B (zh) * 2019-01-30 2021-03-26 浙江工商大学 一种非限定条件下的人脸检测方法
CN109919045A (zh) * 2019-02-18 2019-06-21 北京联合大学 基于级联卷积网络的小尺度行人检测识别方法
CN109993089A (zh) * 2019-03-22 2019-07-09 浙江工商大学 一种基于深度学习的视频目标去除及背景恢复方法
CN109977952B (zh) * 2019-03-27 2021-10-22 深动科技（北京）有限公司 基于局部最大值的候选目标检测方法
CN109977952A (zh) * 2019-03-27 2019-07-05 深动科技（北京）有限公司 基于局部最大值的候选目标检测方法
CN110348329B (zh) * 2019-06-24 2022-04-19 电子科技大学 基于视频序列帧间信息的行人检测方法
CN110348329A (zh) * 2019-06-24 2019-10-18 电子科技大学 基于视频序列帧间信息的行人检测方法
CN110414574A (zh) * 2019-07-10 2019-11-05 厦门美图之家科技有限公司 一种目标检测方法、计算设备及存储介质
CN110533000A (zh) * 2019-09-06 2019-12-03 厦门美图之家科技有限公司 人脸图像检测方法、装置、计算机设备和可读存储介质
CN110853353A (zh) * 2019-11-18 2020-02-28 山东大学 基于视觉的密度交通车辆计数和交通流量计算方法及***
CN110853353B (zh) * 2019-11-18 2020-10-16 山东大学 基于视觉的密度交通车辆计数和交通流量计算方法及***
CN111597959A (zh) * 2020-05-12 2020-08-28 三一重工股份有限公司 行为检测方法、装置及电子设备
CN111597959B (zh) * 2020-05-12 2023-09-26 盛景智能科技(嘉兴)有限公司 行为检测方法、装置及电子设备
CN111666836A (zh) * 2020-05-22 2020-09-15 北京工业大学 M-f-y型轻量化卷积神经网络的高分辨率遥感影像目标检测方法
CN111666836B (zh) * 2020-05-22 2023-05-02 北京工业大学 M-f-y型轻量化卷积神经网络的高分辨率遥感影像目标检测方法
CN112115862A (zh) * 2020-09-18 2020-12-22 广东机场白云信息科技有限公司 一种结合密度估计的拥挤场景行人检测方法
CN112115862B (zh) * 2020-09-18 2023-08-29 广东机场白云信息科技有限公司 一种结合密度估计的拥挤场景行人检测方法
CN113052189A (zh) * 2021-03-30 2021-06-29 电子科技大学 一种基于改进的MobileNetV3特征提取网络
CN113052189B (zh) * 2021-03-30 2022-04-29 电子科技大学 一种基于改进的MobileNetV3特征提取网络
CN113689460A (zh) * 2021-09-02 2021-11-23 广州市奥威亚电子科技有限公司 视频目标对象跟踪检测方法、装置、设备及存储介质
CN113689460B (zh) * 2021-09-02 2023-12-15 广州市奥威亚电子科技有限公司 视频目标对象跟踪检测方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN108830196A (zh) 基于特征金字塔网络的行人检测方法
CN107133616B (zh) 一种基于深度学习的无分割字符定位与识别方法
CN107563372B (zh) 一种基于深度学习ssd框架的车牌定位方法
CN109447034B (zh) 基于YOLOv3网络的自动驾驶中交通标识检测方法
CN112418117B (zh) 一种基于无人机图像的小目标检测方法
CN111191583B (zh) 基于卷积神经网络的空间目标识别***及方法
CN108154102B (zh) 一种道路交通标志识别方法
CN110298387A (zh) 融入像素级attention机制的深度神经网络目标检测方法
CN108171112A (zh) 基于卷积神经网络的车辆识别与跟踪方法
CN108304873A (zh) 基于高分辨率光学卫星遥感影像的目标检测方法及其***
CN108537824B (zh) 基于交替反卷积与卷积的特征图增强的网络结构优化方法
CN109635744A (zh) 一种基于深度分割网络的车道线检测方法
CN106682569A (zh) 一种基于卷积神经网络的快速交通标识牌识别方法
CN109658442B (zh) 多目标跟踪方法、装置、设备及计算机可读存储介质
CN103679187B (zh) 图像识别方法和***
CN109886159B (zh) 一种非限定条件下的人脸检测方法
CN110569782A (zh) 一种基于深度学习目标检测方法
CN111091101B (zh) 基于一步法的高精度行人检测方法、***、装置
CN114758288A (zh) 一种配电网工程安全管控检测方法及装置
CN110991444A (zh) 面向复杂场景的车牌识别方法及装置
CN112232371A (zh) 一种基于YOLOv3与文本识别的美式车牌识别方法
CN112232351A (zh) 一种基于深度神经网络的车牌识别***
CN113963333B (zh) 一种基于改进yolof模型的交通标志牌检测方法
CN111369526A (zh) 基于半监督深度学习的多类型旧桥裂痕识别方法
CN115018039A (zh) 一种神经网络蒸馏方法、目标检测方法以及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20181116

RJ01 Rejection of invention patent application after publication