【摘 要】
：
针对教室监控图像中的人物识别场景,研究YOLOv3目标识别模型的针对性改进及实验。通过分析YOLOv3全卷积网络结构,优化图像尺寸划分,运用基于交并比的k-means聚类算法,增加双密度特征输出卷积层,得到改进的YOLOv3人物目标识别模型。经自建数据集训练并测试,实验结果表明,改进后的YOLOv3人物目标识别模型的检测准确率为85.3%,可为教学资源管理提供相关参考数据。
论文部分内容阅读
针对教室监控图像中的人物识别场景,研究YOLOv3目标识别模型的针对性改进及实验。通过分析YOLOv3全卷积网络结构,优化图像尺寸划分,运用基于交并比的k-means聚类算法,增加双密度特征输出卷积层,得到改进的YOLOv3人物目标识别模型。经自建数据集训练并测试,实验结果表明,改进后的YOLOv3人物目标识别模型的检测准确率为85.3%,可为教学资源管理提供相关参考数据。
其他文献
人类的视线可以有效地传递人们的意图,因此,视线估计方法是智能制造中意图传递的重要研究内容。很多方法通过分析眼部图像,称为眼部图像片,实现视线方向的回归运算。但是,由于眼部图像存在个体差异,这类方法很难建立一个样本无关模型进行视线估计。在本文中,作者假设人眼的外观差异与视线方向差异有直接联系。基于这个假设,本文利用双眼眼部图像片在不同视线时的图像差异估计相应两种视线的差值,构建了差分眼部外观网络(d
传统图像模板匹配算法受到椒盐噪声影响,图像纹理特征分割和提取效果较差,导致图像模板匹配结果不精准,为了解决该问题,提出基于纹理特征的网络多媒体图像模板匹配方法。使用小波多尺度滤波方法匹配椒盐噪声干扰图像特征,根据特征匹配结果,获取图像分割轮廓线,完成图像纹理特征分割。采用分块模板匹配方法模拟椒盐噪声干扰图像的活动轮廓分布情况,构建特征提取模型,提取图像纹理特征分量。使用全矩阵加权搜索策略,匹配网络
针对多重分形去趋势波动分析(Multifractality Detrended Fluctuation Analysis,MF-DFA)可以从全局和局部两方面出发,深层次发掘目标物体的各种特征,但存在过度覆盖的缺点,提出一种能够减少过度覆盖的三角覆盖MF-DFA,用于环形零件图像的种类特征提取。选用齿环、齿轮、轴承与螺母这四类常见环形零件的图像为研究对象,利用三角覆盖MF-DFA研究环形零件图像的
图像采集系统是CMOS相机研发过程中的重要测试设备,传统的图像采集系统只有一个数据采集通道,且采集速率较低,已经不满足CMOS相机高分辨率、高帧频的传输要求。选取NI公司的PXIe-7962R数据采集卡,设计接口电路,调用NI LabVIEW FPGA模块编程,将数据采集卡和接口电路整合在通用工控机上,设计驱动程序和系统应用程序,形成新一代图像采集系统。图像采集系统采用点对点的数据流设计,PXIe
物联网设备数目庞大且具备一定的网络攻击能力,大多数物联网设备也会涉及用户隐私并关联用户的敏感设备,随着物联网技术的迅捷发展和物联网设备的大规模部署应用,物联网设备带来的安全问题引起了广泛关注。文中针对物联网设备准确识别的问题,引入设备指纹的概念,设计了基于朴素贝叶斯的物联网设备指纹算法,确定了分类器阈值,以此解决设备指纹的更新问题。选取网络摄像头为实验对象,测试了算法的各项性能,实验结果表明,朴素
光学膀胱内窥镜是膀胱癌检测中极为重要的诊疗仪器,对膀胱癌的诊断起着关键作用。但膀胱内窥镜图像成像时会由于光照不均匀或者液体残留等原因出现光线过暗或过度曝光等现象。通过基于视网膜皮层算法(Retinex)中的单尺度视网膜皮层算法(singele scale retinex, SSR),多尺度加权平均的Retinex算法(multi scale retinex, MSR)和彩色恢复多尺度视网膜皮层算法
医学图像分割是疾病诊断任务中的关键技术,针对现常用的图像分割网络存在对小物体预测不准以及因局部信息丢失产生网格伪像等问题,设计了一种基于注意机制的DeepLab V3+图像分割方法。在编码(Encoder)部分添加YOLOv5网络中Focus+CBL+CSP的级联式特征提取模块,增强网络能力,同时在Encoder和解码(Decoder)网络加入瓶颈注意力机制,增加目标权重,优化特征提取,获取更多的
滤波反投影算法具有快速实时成像的特点,因此被广泛用于工业和医学超声成像系统中,如何使其在快速实时成像的同时具有较高的清晰度,一直是学术界的研究热点。针对滤波反投影(filtered back projection, FBP)算法重建后图像质量较差的问题,利用投影中经过Radon变换图像高频信号变少的特点,通过给滤波函数加修正因子的方法对常用于反投影重建算法的斜坡滤波器(ram-lak, R-L)进
注意力机制通过应用掩码对图像或特征的局部区域施以不同的权重,能够帮助学习模型忽略无关的噪声信息并关注重点内容,现已成为计算机视觉领域的研究热点。本文对图像的非局部注意力机制工作原理进行研究,并应用到行人图像的深度特征学习中。在行人检索数据集上,通过与深度学习中的批归一化学习策略进行对比与组合实验,验证非局部注意力机制的优异性能,并指出在深度学习中使用注意力机制时需要注意的问题。
针对目前仓储物流系统中运送货物的小车在运动过程中对前方障碍物识别慢、误识别等问题,提出了基于改进角点域特征的障碍检测(AGAST)算法。将AGAST角点检测算法与图像金字塔理论相结合,将图像进行金字塔分层后提取出特征点后对每一层图像进行特征点提取和非极大值抑制,并加入了距离评价机制从而提高该算法的匹配精度,提出了一种特征点相似度的描述增加了算法的匹配速率。以某仓储仓库的实验为例,结果表明,与传统的