高斯混合模型与GhostNet结合的YOLO-G遗留物检测方法

作者：林德钰; 周卓彤; 过斌; 闵卫东^*; 韩清

来源：计算机辅助设计与图形学学报, 2023, 35(01): 99-107.

• 遗留物检测
• YOLO-G深度网络模型
• 光影变化影响
• 网络参数量优化
• 特征准确提取

遗留物检测作为视频监控的关键支撑技术之一,具有广泛的应用前景.针对现有方法存在无法较好地解决光影变化问题、深度学习遗留物检测方法中神经网络的参数量较多及准确度低等问题,提出基于YOLO-G的遗留物检测方法.首先结合高斯混合模型背景建模进行前景检测,根据移动区域与静止区域的分离距离与时间得到可疑静止区域,将判定为分离时刻的帧图像传入深层神经网络进行检测与识别;然后在网络模型中将幽灵网络中的幽灵模块应用于CSPDarknet53主干网络;最后引入压缩激励网络进一步提高特征提取能力.实验结果表明,所提方法的检测准确率比FCOS, SSD, RefineNet, YOLOv3, LRF和YOLOv4分别提高了34.22%, 23.86%, 16.64%, 13.19%, 8.16%和1.41%,网络参数量比YOLOv4减少了22.78%.

• 单位
  南昌大学软件学院