深度学习对象检测技术有时用于图像中的人物检测。
人员检测在自动驾驶系统中非常普遍。 此外，它还用于工厂和工作场所。 他们检查工人的行为或工人是否在危险区域佩戴必要的设备。
他的文件是一个示例代码，它使用标记的视频数据训练对象检测模型 (Yolo v2)，以检测是否戴头盔的人。
[键控] 图像处理·计算机视觉·深度学习·机器学习·CNN·Yolo v2·物体检测
2022-09-21 21:13:06
2.24MB
1
为了提高瞳孔中心定位精度,降低运算复杂度,首先采用星射线方法获取瞳孔边界点,与对整幅图搜索相比,计算量大大减小.设定感兴趣区域,对眼皮、眼睫毛及光斑干扰产生的虚假特征点进行剔除,然后利用特征点通过随机化的椭圆拟合定位瞳孔中心.随机化椭圆拟合允许杂质点的存在,确保了拟合定位算法的准确性,对虚假点的剔除更进一步加快了拟合速度.在连续帧处理时通过瞳孔像素数的变化快速对眨眼进行检测,区分眨眼与伪眨眼.实验结果表明,该算法简单且鲁棒性好.
2022-06-24 11:08:30
2.34MB
1
里面包含如何训练以及测试的代码，安全帽数据集以及训练模型下载地址，可以接用于YOLO目标检测和跟踪，数据集包括两个类别person、hat，8000多张标注好的的图片，两种标签格式分别为txt和xml格式。
2022-06-19 17:05:41
688.02MB
基于YOLOV5的头盔佩戴识别数据系统源码。修改yaml配置文件
进入\yolov5-5.0\data\文件夹内，打开voc.yaml文件,
原voc.yaml文件
# PASCAL VOC dataset http://host.robots.ox.ac.uk/pascal/VOC/
# Train command: python train.py --data voc.yaml
# Default dataset location is next to /yolov5:
# /parent_folder
# /VOC
# /yolov5
# download command/URL (optional)
download: bash data/scripts/get_voc.sh
# train and val data as 1) directory: path/images/, 2) file: path/images.txt, or 3) list: [path1/images/, path2/images/]
train: ../VOC/ima
2022-06-01 20:06:46
23.68MB
1.这是一个检测是否佩戴安全帽的完整训练代码项目，包含一个已训练好的yolov5m的模型，mAP在90%以上，能直接应用于要求不高的场景上。
2.参考博文：https://blog.csdn.net/matt45m/article/details/124702919?spm=1001.2014.3001.5502
2022-05-16 16:05:56
49.07MB
1.标注好的头安全帽数据集。
2.数据格式是voc和yolov5两种。
3.下载后可以直接训练。
4.参考博文：https://blog.csdn.net/matt45m/article/details/124702919?spm=1001.2014.3001.5502
2022-05-16 16:05:55
76B