共 13 条
- [8] 复杂场景下行人检测算法研究[D]. 孙艳茹.北方工业大学. 2018
- [9] 基于低空监测影像的人流识别与密度估计[D]. 李彦良.哈尔滨工业大学. 2017
- [10] Multi-scale Pyramid Pooling Network for Salient Object Detection[J] . Dakhia Abdelhafid,Tiantian Wang,Huchuan Lu.Neurocomputing . 2018
基于改进YOLOv3算法的高密度人群目标实时检测方法研究
被引：15
|作者：
王思元
[1
]
王俊杰
[1
]
机构：
[1] 中国海洋大学工程学院
来源：
关键词：
高密度人群;
疏散安全;
鲁棒性;
YOLOv3-M算法;
聚类分析;
D O I：
10.13578/j.cnki.issn.1671-1556.2019.05.029
中图分类号：
X91 [安全科学基础理论];
TU998.1 [消防];
TP391.41 [];
D63 [国家行政管理];
学科分类号：
0306 ;
080203 ;
0837 ;
0838 ;
1204 ;
120401 ;
摘要：
公共建筑高密度人群疏散运动极具危险性,实时的人群目标识别与检测对于密集场所人群疏散安全至关重要。针对现有行人检测方法对于行人密集、局部遮挡等情况存在鲁棒性差、实时性低等问题,提出了一种基于改进YOLOv3算法的密集人群目标实时检测方法。该检测方法以YOLOv3算法为基础,采用K-means方法对实验用数据集进行聚类分析并对网络结构进行调整,最终得到适用于高密度人群目标检测的算法即YOLOv3-M算法。实验结果表明:YOLOv3-M算法平均准确率达到91.20%,召回率为89.77%,相比YOLOv3算法模型平均准确率提高了6.4%,召回率提高了4.73%;在阈值相同条件下,YOLOv3-M算法可有效降低图片漏识率与误识率;对1080P视频的检测速度达到19.2 FPS,基本满足实时检测的需求,从而验证了该检测方法的有效性。
引用
收藏
页码：194 / 200
页数：7
相关论文