您现在的位置是：首页 > 技术资料 > 改进的YOLO特征提取算法及其在服务机器人隐私情境检测中的应用

推荐星级：

改进的YOLO特征提取算法及其在服务机器人隐私情境检测中的应用

更新时间：2019-12-26 11:58:36 大小：1M 上传用户：IC老兵查看TA发布的资源 标签：特征提取算法机器人 下载积分：1分评价赚积分（如何评价?）打赏收藏评论(0) 举报

资料介绍

为了提高YOLO识别较小目标的能力,解决其在特征提取过程中的信息丢失问题,提出改进的YOLO特征提取算法.将目标检测方法 DPM与R-FCN融入到YOLO中,设计一种改进的神经网络结构,包含一个全连接层以及先池化再卷积的特征提取模式以减少特征信息的丢失.然后,设计基于RPN的滑动窗口合并算法,进而形成基于改进YOLO的特征提取算法.搭建服务机器人情境检测平台,给出服务机器人情境检测的总体工作流程.设计家居环境下的六类情境,建立训练数据集、验证数据集和4类测试数据集.测试分析训练步骤与预测概率估计值、学习率与识别准确性之间的关系,找出了适合所提出算法的训练步骤与学习率的经验值.测试结果表明:所提出的算法隐私情境检测准确率为94.48%,有较强的识别鲁棒性.最后,与YOLO算法的比较结果表明,本文算法在识别准确率方面优于YOLO算法.

部分文件列表

文件名	大小
改进的YOLO特征提取算法及其在服务机器人隐私情境检测中的应用.pdf	1M

立即下载

【关注视频号领20积分】【关注公众号立即送20积分】

部分页面预览

（完整内容请下载后查看）

第 44 卷第 12 期

2018 年 12 月

自

动

化

学

报

Vol. 44, No. 12

ACTA AUTOMATICA SINICA

December, 2018

改进的 YOLO 特征提取算法及其在服务机器人

隐私情境检测中的应用

苏志东 ¹

杨观赐 ¹

杨静 ¹

陈占杰 ¹

摘

要

为了提高 YOLO 识别较小目标的能力, 解决其在特征提取过程中的信息丢失问题, 提出改进的 YOLO 特征提取算

法. 将目标检测方法 DPM 与 R-FCN 融入到 YOLO 中, 设计一种改进的神经网络结构, 包含一个全连接层以及先池化再卷

积的特征提取模式以减少特征信息的丢失. 然后, 设计基于 RPN 的滑动窗口合并算法, 进而形成基于改进 YOLO 的特征提取

算法. 搭建服务机器人情境检测平台, 给出服务机器人情境检测的总体工作流程. 设计家居环境下的六类情境, 建立训练数据

集、验证数据集和 4 类测试数据集. 测试分析训练步骤与预测概率估计值、学习率与识别准确性之间的关系, 找出了适合所

提出算法的训练步骤与学习率的经验值. 测试结果表明: 所提出的算法隐私情境检测准确率为 94.48 %, 有较强的识别鲁棒性.

最后, 与 YOLO 算法的比较结果表明, 本文算法在识别准确率方面优于 YOLO 算法.

关键词 YOLO, 特征提取算法, 服务机器人, 隐私情境检测, 智能家居

引用格式杨观赐, 杨静, 苏志东, 陈占杰. 改进的 YOLO 特征提取算法及其在服务机器人隐私情境检测中的应用. 自动化学

报, 2018, 44(12): 2238−2249

DOI 10.16383/j.aas.2018.c170265

An Improved YOLO Feature Extraction Algorithm and Its Application to

Privacy Situation Detection of Social Robots

YANG Guan-Ci¹

YANG Jing¹

SU Zhi-Dong¹

CHEN Zhan-Jie¹

Abstract To address the limitation of YOLO algorithm in recognizing small objects and information loss during feature

extraction, we propose FYOLO, an improved feature extraction algorithm based on YOLO. The algorithm uses a novel

neural network structure inspired by the deformable parts model (DPM) and region-based fully convolutional networks

(R-FCN). A sliding window merging algorithm based on region proposal networks (RPN) is then combined with the

neural network to form the FYOLO algorithm. To evaluate the performance of the proposed algorithm, we develop a

social robot platform for privacy situation detection. We consider six types of situations in a smart home and prepare

three datasets including training dataset, validation dataset, and test dataset. Experimental parameters such as training

step and learning rate are set in terms of their relationships with the prediction accuracy. Extensive privacy situation

detection experiments on the social robot show that FYOLO is capable of recognizing privacy situations with an accuracy

of 94.48 %, indicating the good robustness of our FYOLO algorithm. Finally, the comparison results between FYOLO

and YOLO show that the proposed FYOLO outperforms YOLO in recognition accuracy.

Key words YOLO, feature extraction algorithm, social robot, detection of privacy situations, smart homes

Citation Yang Guan-Ci, Yang Jing, Su Zhi-Dong, Chen Zhan-Jie. An improved YOLO feature extraction algorithm

and its application to privacy situation detection of social robots. Acta Automatica Sinica, 2018, 44(12): 2238−2249

越来越多的智能家居系统和服务机器人广泛使

收稿日期 2017-05-15 录用日期 2017-08-29

Manuscript received May 15, 2017; accepted August 29, 2017

国家自然科学基金 (61863005, 61640209), 贵州省科技计划项目 (黔

用摄像头这会引入隐私泄漏风险是阻碍此类系统

推广的最大障碍之一^[1]前期问卷调查表明^[2]对隐

科合人字 (2015) 13, 黔科合 JZ 字 [2014] 2004, 黔科合 LH 字 [2016]

私内容有符合人心理需求反应的系统可改善用户

7433, 黔科合平台人才 [2018] 5702), 贵州省教育厅研究生教改重点课

体验感受如何识别与保护具有视觉设备的服务机

等^[3]

设

题 (黔教研合 JG 字 [2015] 002) 资助

Supported by National Natural Science Foundation of China

器人的隐私数据是值得研究的问题

(61863005, 61640209), Science and Technology Foundation of

Guizhou Province ((2015) 13, JZ [2014] 2004, LH [2016] 7433,

PTRC [2018] 5702), and Graduate Education Reform Fund of

计了一种智能家居环境中隐私与安全框架

等^[4]通过分析智能家居环境下各系统间的安全和隐

Education Bureau of Guizhou Province (JG [2015] 002)

本文责任编委胡清华

私与互信风险研究了高度依赖法律支持的隐私控

Recommended by Associate Editor HU Qing-Hua

1. 贵州大学现代制造技术教育部重点实验室贵阳 550025

1. Key Laboratory of Advanced Manufacturing Technology of

Ministry of Education, Guizhou University, Guiyang 550025

12 期

杨观赐等: 改进的 YOLO 特征提取算法及其在服务机器人隐私情境检测中的应用

2239

制机制、隐私风险分级方法这些研究主要从数据

访问控制等角度考虑信息安全没有提出数据获取

在训练过程中对数据集特征提取网络中的

单元格最多负责预测一个真实目标这导致

检测相对靠近且较小的目标时效果欠佳

阶段的敏感数据识别与保护方案

等^[5]

指

出即使智能服务机器人使用加密和认证方式网络

攻击者也有机会控制机器人或提取敏感数据

在学术界图像特征提取方法是研究的热点^[6]

在图像预处理阶段

将训练数据集的

高分辨率图像处理为低分辨率数据并用于最终的分

类特征的提取经过多次卷积后原始图片分布区域

中的小目标特征难以保存

文献

通过映射聚合层中各个点的值为

中

各个点的激活概率均值得到一种均值聚合机制虽

然此方法的准确率高于基于聚合层进行图像特征提

取方法^[8]但是特征提取过程复杂模型训练时间较

使用服务机器人引起的道德问题没有被充分考

虑伦理原则应该体现到服务机器人的研发中^[24]

课题组在研发服务机器人时采用

环境中不同情境为了提高

识别家庭

长文献

通过定义新的结构元和自适应向量融合

神经网络对较

模型提出一种加权量化方法自适应融合图像目标

和背景当图像背景与目标均较大时该方法能体现

图像全局特征的相关性但当目标较小时相关性表

小目标的识别能力解决其在特征提取过程中信息

丢失的问题本文提出了改进的特征提取算

法并将其应用于服务机器人隐私情境检测

征变得困难文献

采用

滤波器^[11]和局

1 目标实时检测模型 YOLO

部模式分析来提取特征虽然该方法可以获得较多

的灰度图像特征但在图像预处理和测试阶段需要

将图像归一化大小不能检测随机大小的图片此类

特征提取方法对小规模数据集的特征提取具有很好

的表现能力但对海量数据特别是复杂背景环境下

的数据其特征提取能力有待进一步提高

[12]

目标实时检测模型

包括

个卷积

层、个全连接层和个池化层其中卷积层用于提

取图像特征全连接层预测图像位置与类别估计概

率值池化层负责缩减图片像素

根据输入

的图像数据运用回归分析法输出图像数据的多个

滑动窗口位置及该窗口中检测到的目标类别

[12]

是一种基于卷积神经网络的目

将输入图像分成

个单元格每个

标实时检测模型因其具有海量数据的学习能力、点

对点的特征提取能力以及良好的实时识别效果而备

单元格的神经元负责检测落入该单元格的对象最

多可包括两个预测对象的滑动窗口滑动窗口的信

受关注^[13−14]文献

拟背景特征提出基于高斯混合模型和

人检测算法在检测变电站监控视频中的行人时取

得良好效果文献

利用交替方向乘子法^[17]提取

灰度图像上下文信息特征并将该信息组合成一个

通过使用高斯混合模型模

的行

息采用五元组

格子神经元预测到的检测对象的置信度中心位置的

横坐标与纵坐标分别是滑动窗口的宽度和

表示

与

是当前

和

高度是置信度它反映当前滑动窗口是否包含检

测对象及其预测准确性的估计概率计算公式为

输入通道作为

成了基于

神经网络模型的输入形

的实时目标检测算法虽然识别精

IOU

度有所提高但是模型的时间开销较大文献

计了提取图像内文本字符的机制并采用

设

进

其中

表示滑动窗口包含检测对象的概率

IOU

表示滑动窗口与真实检测对象区域的重叠面积单

行文本检测和边界框回归文献

评估了目标检

^[20]、霍夫森林^[21]

在检测速度和识别精度上都要

位是像素若滑动窗口中包含检测对象则

测算法

、

的

否则

的最大

面积最大的检测对象输出

通常若为每个单元格可以用于预测对象的

当单元格具有多个滑动窗口时它们

值将代入式计算最终只选择重叠

IOU

性能并指出

高于两种比较算法上述这些研究就提高

的

性能、拓展其应用等方面做了许多工作但是采用

神经网络解决图像的特征提取问题时存在

以下不足^[22−23]

滑动窗口数量

为类别总数则

的全连接

层的输出维度是

在识别的过程中

将需要识别的图像

的损失函数计算公式为

分割为 × 的网格单元格内用于预测目标的神经

元可以属于若干个属于同一类别的滑动窗口这使

得模型具有很强的空间约束性若滑动窗口内涵盖

多个不同类别的对象时系统无法同时检测出全部

的目标对象

loss

IOU

class

其中

和

分别表示预测数据与标定

误差与分类误差

IOU

class

数据之间的坐标误差、

IOU

全部评论(0)

暂无评论

评论赚积分>>

上传资源上传优质资源有赏金

改进的YOLO特征提取算法及其在服务机器人隐私情境检测中的应用

资料介绍

部分文件列表

部分页面预览

相关下载

全部评论(0)

热门标签

最新上传

热门下载

推荐下载

专栏首页