许晓峰,陈姚节,2,刘 恒
(1.武汉科技大学 计算机科学与技术学院,湖北 武汉 430065;2.智能信息处理与实时工业系统湖北省重点实验室,湖北 武汉 430065)
国内公园人工湖、河流、湖泊、水库以及海洋水域面积巨大,难以对所有水域实现全时全面的监管检测,而且由于安全措施不到位、监控存在盲区和死角等等原因,导致溺水死亡事故频繁发生。据报道,全国每年有超过5.7万人死于溺水,而放到全球,有超过37万人因溺水而死。人员落水以后进行救援的黄金时间只有5分钟,而落水事件事发突然,依靠人力往往不能在第一时间发现落水人员,造成了大量落水人员的伤亡。为了避免悲剧的发生,有些场景中已实现了水域状态的全天候监控,但是仍然需要有人对监控画面进行看守,这样做不仅费时费力,而且充满了不确定性,无法保证对落水人员的检测,故对落水人员的实时自动监测变得尤为重要。
近年来,基于深度学习的目标检测[1]算法在检测效果方面突飞猛进,同传统方法相比检测性能取得了质的飞跃。目前主要分为两种:一种是两阶段目标检测算法[2],如:R-CNN[3]、Fast R-CNN[4]、Faster R-CNN[5]、Mask R-CNN[6]、R-FCN[7]等,两阶段目标检测算法将整个检测过程分为两个阶段,第一个阶段是先生成候选目标框,第二个阶段是进行分类和回归,两阶段目标检测算法的精度相对较高,但速度较单阶段检测算法慢了很多。另一种是以YOLO系列[8-11]、SSD[12]为代表的直接回归物体的类别概率和空间位置坐标的单阶段目标检测算法,单次检测就能得到最终检测结果,检测速度较双阶段目标检测更快,很好地满足了实时检测的要求。……