一个基于深度学习的检测算法,用于检测公共汽车上的异常行为和异常物品

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 运输安全运输安全

背景情况:

• 公共交通安全日益关注,需要先进的监控和异常检测方法.
• 现有的系统往往难以实时分析复杂的乘客行为和像公共汽车这样的狭窄空间内的各种异常物体.

研究的目的:

• 开发和验证一种用于检测公共汽车上的异常乘客行为和物体的新算法.
• 提高公共汽车监控系统中异常检测的准确性和及时性.
• 创建一个实用,嵌入式系统,在公共汽车上实践应用.

主要方法:

• 建立了一个关于异常乘客行为和特定于公共汽车环境的对象的全面图书馆.
• 开发了一个面具检测和异常物体检测和分析 (MD-AODA) 算法,增强了YOLOv5深度学习模型.
• 集成的机载面部检测与目标跟踪,用于准确的面罩检测.
• 采用几何尺度转换方法来有效检测大型异常物体.
• 设计了一个嵌入式视频分析系统,将算法部署在实际总线数据上.

主要成果:

• 与现有方法相比,拟议的MD-AODA算法在检测异常方面表现出更好的准确性和及时性.
• 使用真实公共汽车视频数据的实验验证了算法的有效性和实际适用性.
• 嵌入式系统成功地集成了实时分析算法.

结论:

• 开发的MD-AODA算法和嵌入式系统为提高公共汽车安全提供了实用和有效的解决方案.
• 该战略在公共交通工具的自动异常检测方面取得了重大进展.
• 这些发现证实了算法的有效性和在智能交通系统中广泛采用的潜力.