公开(公告)号：CN116403151A

公开(公告)日：2023-07-07

申请号：CN202211642729.X

申请日：2022-12-20

Applicant: 南京工业大学

Inventor： 王莉 ,  徐硕 ,  曹恺 ,  薛旻昊 ,  李鑫 ,  沈捷

IPC: G06V20/52 ,  G06V10/82 ,  G06N3/04 ,  G06N3/084 ,  G06V10/762

Abstract: 本发明公开了一种基于自适应深度神经网络的地铁人流密度估计方法。该方法包括步骤：数据处理，自适应K‑means聚类确定锚框数量及锚框长宽，不同尺度的特征提取，根据自适应K‑means聚类结果自动确定特征融合网络不同尺度的特征图，利用自适应融合网络ASFF融合不同尺度特征之间的不一致性，对不同尺度的特征图进行预测并计算损失，行人头部检测模型网络训练，以及实时的人流密度估计。相比现有技术，本发明在检测速度、检测精度上都有大幅度的提升。

公开(公告)号：CN113361370B

公开(公告)日：2023-06-23

申请号：CN202110611720.1

申请日：2021-06-02

Applicant: 南京工业大学

Inventor： 沈捷 ,  马程杰 ,  徐硕 ,  王莉 ,  霍瑜鹏

IPC: G06V40/20 ,  G06V10/764 ,  G06V10/774

Abstract: 本发明公开了一种基于深度学习的异常行为检测方法，具体包括以下步骤：S1、图像获取：利用摄像机获取实际场景RGB图像，S2、行人检测：利用目标检测算法YOLOv5检测当前视频帧中行人，输出检测框的位置信息、置信度与类别，对检测结果进行筛选，去除冗余框，本发明涉及人体行为识别技术领域。该基于深度学习的异常行为检测方法，采用计算机视觉的方式，增强在实际场景中的稳定性，通过摄像头获取的RGB图像，检测得到结果后，采用随机涂鸦进行数据增强来应对场景中的遮挡问题，平衡了准确度与实时性的的需求，对存在遮挡的实际环境，具有较强的抗干扰能力。

公开(公告)号：CN113361370A

公开(公告)日：2021-09-07

申请号：CN202110611720.1

申请日：2021-06-02

Applicant: 南京工业大学

Inventor： 沈捷 ,  马程杰 ,  徐硕 ,  王莉 ,  霍瑜鹏

IPC: G06K9/00 ,  G06K9/62

Abstract: 本发明公开了一种基于深度学习的异常行为检测方法，具体包括以下步骤：S1、图像获取：利用摄像机获取实际场景RGB图像，S2、行人检测：利用目标检测算法YOLOv5检测当前视频帧中行人，输出检测框的位置信息、置信度与类别，对检测结果进行筛选，去除冗余框，本发明涉及人体行为识别技术领域。该基于深度学习的异常行为检测方法，采用计算机视觉的方式，增强在实际场景中的稳定性，通过摄像头获取的RGB图像，检测得到结果后，采用随机涂鸦进行数据增强来应对场景中的遮挡问题，平衡了准确度与实时性的的需求，对存在遮挡的实际环境，具有较强的抗干扰能力。