基于YOLOv4的自动枪支检测系统
1. 相关工作
在目标检测和识别领域,多年来有许多研究成果。1805年,勒让德提出了最小二乘法这一回归分析技术,该技术能尽可能在自变量和因变量之间确定一条直线。1809年,高斯利用此方法通过行星记录预测围绕太阳的未知圆形物体,后来该应用扩展到彗星和小行星的探索。1821年,高斯引入高斯 - 马尔可夫假设,进一步拓展了相关工作。
近年来,深度学习在目标检测方面取得了显著进展。2018年的研究中,研究人员对多种系统进行分类和检测,如YOLOv2、基于滑动窗口的CNN、卷积网络(R - FCN)、更快的基于区域的CNN等。结果表明,CNN的特征比传统算法表现更好,该研究使用了X射线图像。同年,还有研究使用ImageNet数据集训练和建模检测系统,将基于VGG - 16的更快RCNN分类器应用于YouTube视频,平均精度均值(mAP)达到84.21%。
2019年,有研究使用Yolov3算法进行枪支检测,研究人员自行创建了包含不同位置和调整的枪支图像数据集,并与ImageNet数据集融合。通过训练和验证模型,发现Yolov3的速度比Faster RCNN更快。2020年,有论文实现了适用于交通和监控应用的多目标检测算法,在视频数据集上的准确率达到99%,在图像数据集上的准确率达到98%,并且该模型在DSP和FPGA上运行。此外,还有研究人员使用模糊分类器和神经网络集成进行枪支检测。
2. 方法
为了实现从视频或照片中自动识别枪支的目标,我们需要开发一个以图像为输入,输出带有枪支边界框图像的模块。因此,我们决定开发一个基于深度学习的模型来完成这项任务。