摄像头行为分析算法 FPN+PAN

燧机科技

已于 2022-12-23 22:01:41 修改

阅读量949

点赞数

文章标签：大数据人工智能计算机视觉目标检测

于 2022-08-22 17:20:10 首次发布

本文链接：https://blog.csdn.net/KO_159/article/details/126470062

版权

摄像头行为分析算法借助3D三维视觉优化算法和人工智能优化算法以及yolo网络模型架构可以支持人员摔倒、剧烈运动、抽烟识别、徘徊滞留、人数超员、区域入侵、睡岗离岗等行为分析。YOLO系列算法是一类典型的one-stage目标检测算法，其利box将分类与目标定位的回归问题结合起来，从而做到了高效、灵活和泛化性能好，接下来我们介绍YOLO 系列算法。

在介绍Yolo算法之前，我们回忆下RCNN模型，RCNN模型提出了候选区(Region Proposals)的方法，先从图片中搜索出一些可能存在对象的候选区（Selective Search），大概2000个左右，然后对每个候选区进行对象识别，但处理速度较慢。

YOLOv5是一种单阶段目标检测算法，该算法在YOLOv4的基础上添加了一些新的改进思路，使得其速度与精度都得到了极大的性能提升，具体包括：输入端的Mosaic数据增强、自适应锚框计算、自适应图片缩放操作；基准端的Focus结构与CSP结构；Neck端的SPP与FPN+PAN结构。

Adapter接口定义了如下方法：

public abstract void registerDataSetObserver (DataSetObserver observer)
Adapter表示一个数据源，这个数据源是有可能发生变化的，比如增加了数据、删除了数据、修改了数据，当数据发生变化的时候，它要通知相应的AdapterView做出相应的改变。为了实现这个功能，Adapter使用了观察者模式，Adap