论文部分内容阅读
在信息技术快速发展的今天,人工智能技术对社会的方方面面起着至关重要的作用。随着人工智能技术的引入,智能监控系统已经被应用到城市的各种场所用来检测和预防危险事件的发生。公共场所的危险事件在发生之前往往存在行人的异常行动,徘徊是指行人在特定区域不断移动却没有明显的位移,发现这种异常行动对提高公共安全具有意义。目前,基于深度学习的徘徊检测算法的模型过于复杂,需要较高算力设备的支持,否则难以应用于行人密集的场景,需要针对此问题开展深入研究。通过对目标检测与目标追踪技术的研究和分析,本文提出了一种徘徊检测算法JYLD,其中目标检测算法YOLOA基于注意力机制,目标追踪算法JYTracker联合了目标检测与行人重识别。针对YOLOX对小目标检测精度不高的问题,YOLOA增加了空间和通道注意力模块用于学习具有区分性的深度特征,增加了链路聚合网络用于在网络早期阶段同时处理语义和空域信息,结合平衡交叉熵损失与Focal Loss训练前背景二分类用于处理正负样本不均衡和难样本学习,增加度量宽高相似性的Io U损失用于提高目标位置预测精度。实验结果表明,在COCO数据集的小目标检测上YOLOA比YOLOX精度提高2%,YOLOA-S子模型参数个数仅为9.58M,但AP高达41.1。针对行人密集的场景,JYTracker融合目标检测与行人重识别,通过共享底层特征的方式提高预测速度,通过分类方法训练嵌入向量以节省构造正负样本对的计算量从而提高训练速度,通过高效的数据关联策略提高追踪速度。实验结果表明,JYTracker模型参数个数仅为10M,但在MOT20数据集上的MOTA高达69.5,在2022年3月官方排名第二,在PETS2007数据集上的实验结果表明JYLD徘徊检测算法能够快速识别徘徊行为。