一、自然环境下交通标志的检测与识别算法研究

1、整体框架

2、算法分类

基于形状的方法

检测图像中三角形、圆形、八角形区域等+分类器

• 基于颜色的方法

检测图像中的红色、黄色、蓝色区域等+分类器

• 基于深度学习

基于CNN同时检测和识别

二、目标检测中候选区域生成算法的研究

1、研究意义

► 候选区域生成算法产生的候选框个数,位置的精确度极大程度上影响了特征提取时的计算量和最终分类的准确度

► 分割出较为精确的候选区域,能够使在后续的检测精度上得到相当显著的提升

2、生成候选目标分割区域–SharpMask

3、生成候选目标的包围框–AttractioNet

4、包围框的迭代回归

5、Attend Refine Network

三、面向车辆辅助驾驶的目标检测

1、算法研究

多尺度检测:在较浅层检测小目标,在较深层检测大目标,最后检测器联合。

用反卷积层实现特征图上采样代替输入图片上采样,提高了特征图分辨率,提升速度。

2、效果比对

四、基于CNN的人体异常行为检测

1、算法流程

2、双流CNN

• 空间信息CNN-将静态图像信息作为网络输入

• 时间信息CNN-将光流信息作为网络输入

3、数据集介绍

• UCF-101:包含101类的行为视频,共13320个视频。是目前行为识别最大的数据集。

五、基于深度学习的运动物体检测

1、—基于多空间-CNN的运动物体检测