基于轻量化神经网络的社交距离检测
保持安全社交距离是有效防止病毒传播的重要手段之一,不仅可以减少感染者数量和医疗负担,同时也极大降低死亡率.在YOLOv4框架基础上使用轻量化网络E-GhostNet代替原网络中的CSPDarknet-53,E-GhostNet网络在输入数据和原始Ghost模块生成的输出特征之间建立关系,使网络能够捕获上下文特征.然后,在E-GhostNet中引入坐标注意力机制(CA)增强模型对有效特征的关注.另外,使用SIoU损失函数更换CIoU损失获得更快的收敛速度和优化效果.最后,结合DeepSORT多目标跟踪算法来检测和标记行人,并使用仿射变换(IPM)判定行人间距离的违规行为.实验结果显示,该网络检测速度为40 FPS,精度值达到85.71%,相比原始GhostNet算法提升2.57%,达到实时行人距离检测的效果.
YOLOv4、DeepSORT、社交距离、E-GhostNet、轻量化网络、目标检测
32
TP391.41;TP183;TP273
陕西省科技计划重点项目2017ZDCXL-GY-05-03
2023-02-15（万方平台首次上网日期，不代表论文的发表时间）
共11页
128-138
