共查询到10条相似文献,搜索用时 359 毫秒
1.
针对传统火灾检测系统容易受地理空间的影响,且现有的深度学习方法对动态火灾的检测能力较弱等问题,该文提出了一种动态卷积YOLOv5视频火焰多尺度目标检测算法。采用K-means++算法优化了anchor box聚类,降低了分类结果的误差。基于动态卷积思想,采用剪枝方法对YOLOv5 Neck和Head的网络头进行了剪枝,降低了模型大小,实现了视频火灾的动态实时准确检测。基于不同火灾监控视频的实验结果表明,该文方法不仅可以有效地对地面监控视频中的火灾点进行检测,还能够对无人机上监控视频中的火灾点进行检测。研究结果可以应用于基于视频的不同场景的火灾检测,从而达到对现有火灾检测系统补充的作用。 相似文献
2.
3.
针对新兴的视频卫星数据在道路监控中应用研究较少的问题,该文提出了一种基于特征的视频卫星数据运动车辆提取优化算法。以SkySat-1卫星获取的Las Vegas地区的视频数据为实验数据,采用传统帧差法与阈值法进行运动车辆提取,验证了该方法对视频卫星数据处理的有效性,同时在此基础上根据空间特征信息界定出道路以内的感兴趣区域,进一步根据车辆的几何特征信息对感兴趣区域的疑似车辆目标进行筛选。实验结果表明:所提算法在提取精度和完整度上明显优于基于像素的帧差法与阈值法的提取结果。 相似文献
4.
土地利用保护是国土资源管理的一项重要职能,高点视频影像为土地利用保护提供了一种实时全天候的监测手段。为实现基于视频影像的自然资源疑似违法建设自动化监测和预警,将违法建设、违法施工等监测转化为建筑施工机械等内容的检测,提出了一种基于深度学习的土地违法施工检测方法。首先利用视频监控影像对施工机械进行样本训练,然后基于深度学习目标检测方法YOLOv3实现建筑施工机械检测,进而实现疑似违法建设预警。实验证明,该方法可从视频影像中自动化检测出施工机械,且可靠性较高,可为全天候耕地疑似违法施工预警提供技术支撑。 相似文献
5.
提升目标检测模型的泛化能力是计算机视觉领域的研究热点和关键难点。本文提出了一种Multi-Patch方法和多帧增量式预测策略,提升了不同场景下交通视频目标检测的稳健性,有效解决了目标尺度多变导致的视频中目标召回率低的问题。根据视频分辨率和目标尺寸,基于Multi-Patch方法自动将视频帧分割成最佳输入尺寸,使用YOLO v4神经网络并关联连续帧的上下文信息,采用增量式预测策略降低视频目标检测的漏检率,提升不同场景下视频目标的检测置信度得分和召回率。采集不同拍摄条件下的交通视频,验证该方法的有效性。试验结果表明,本文提出的目标检测方法召回率在80%以上,置信度平均得分在0.84以上。 相似文献
6.
随着遥感卫星成像技术的快速发展,遥感视频卫星的出现为运动车辆目标信息获取提供了新手段。然而在遥感卫星视频中,运动车辆目标仅为几个或十几个像素并与背景的对比性较低,难以获取车辆的局部细节特征,使得传统监控视频的运动车辆检测方法直接应用到卫星视频图像会存在很多的问题。在分析遥感卫星视频运动车辆目标检测与传统监控视频运动车辆目标检测差异的基础上,本文提出了一种感兴趣区域自动约束的遥感卫星视频运动车辆快速检测方法:首先是快速自动获取运动车辆目标的感兴趣区域;其次在感兴趣区域约束下,基于改进的高斯背景差分方法实现感兴趣区域内运动车辆快速检测。应用Skybox-1卫星视频数据进行了运动车辆目标检测实验并进行了定性与定量分析。实验结果表明,本文方法可以有效自动减少动态背景变化导致的伪运动目标,具有较高的检测率、较高的检测质量、极低的虚警率以及较高的运行效率,可自动高效实现卫星视频图像中运动车辆目标的高精度检测。 相似文献
7.
近年来,塔基视频监控平台被广泛应用于国土资源监控。传统的塔基视频监控,管理人员通过经验判断所监控范围面积的大小。如何方便、精确地获取摄像头实际覆盖的面积是一个迫切需要解决的问题。基于OpenCV设计了一种通过视频数据获取摄像头实际覆盖面积的方法。该方法在实际监控平面与视频帧平面选取相应的控制点,使用OpenCV求取两个平面间的单应矩阵,实现了视频帧平面与实际监控平面间的互映射。该方法提高了国土视频监控的效率。 相似文献
8.
针对遥感影像场景复杂,飞机目标尺寸小、特征不明显的问题,提出一种基于改进YOLOv3的遥感影像飞机目标检测算法。首先对YOLOv3的特征提取网络的结构进行改进,并将网络的检测尺度由3个扩展至4个,提高小目标的检测率;其次采用线性加权的非极大值抑制算法,降低排列交错紧密的小目标的漏检率;最后在本文设计的数据集上将该算法与YOLOv3进行对比实验。结果表明,改进后的算法对复杂背景下的小尺寸飞机目标的检测准确率和召回率均有明显提升,验证了本文算法的有效性和鲁棒性。 相似文献
9.
针对YOLOv3算法对小目标检测较差及出现较多漏检的问题,本文提出了一种优化的YOLOv3算法.首先使用K-means算法计算出与数据集相适用的锚框;其次将扩张卷积引入到YOLOv3网络,用来增强网络高层的感受野,改善小目标的检测效果;然后使用深度可分离卷积取代YOLOv3网络残差模块中的普通卷积,可减少计算量,从而得到一种新型卷积神经网络结构;最后在数据集上进行对比试验.结果表明,优化的YOLOv3算法能够检测出更多目标,降低漏检率,相比于YOLOv3算法,其召回率提高11.86%,F1-score提高2.99%. 相似文献