关键词： 红外小目标检测   局部能量因子   加权亮度差因子   人类视觉系统  

摘要： 红外小目标的检测一直是红外追踪系统的关键技术,针对现有红外小目标检测方法在复杂背景下易造成虚警、检测速度慢的不足,从人类视觉系统的角度出发,参考了多尺度局部能量因子检测方法(multiscale local contrast measure using a local energy factor,MLCM-LEF),提出了一种基于双层局部能量因子的红外小目标检测方法.从局部能量差异与局部亮度差异两个角度进行目标检测,使用双层局部能量因子从能量角度描述小目标与背景的相异程度,同时采取加权亮度差因子从亮度角度对图像进行目标检测,通过二维高斯融合上述二者的处理结果,最终利用图像均值和标准差进行自适应阈值分割,提取红外小目标.经过公开数据集实验测试,该方法在抑制背景噪声、减低虚警概率的表现上比主流的检测方法有所提升,与MLCM-LEF算法相比,基于双层局部能量因子的方法将单帧检测时间降低至三分之一.

关键词： 小目标检测   深度学习   目标检测  

摘要： 该研究综述了基于深度学习的小目标检测技术,首先,梳理介绍了关键技术,对不同方法进行了比较分析,评估了它们的优劣势。其次,讨论了相关数据集和评估指标,为算法性能评估提供了坚实基础。此外,探讨了小目标检测在智能交通和安全监控等领域的各种应用场景。最后,提出了小目标检测的未来发展方向,强调了提高检测精度和速度的必要性。

关键词： 智能汽车   目标检测   融合感知   YOLOv3-tiny  

摘要： 为了提高智能汽车对行驶区域障碍物的感知能力,设计了相机图像与激光雷达点云融合的双模中融合模型。选用YOLOv3-tiny作为图像目标检测算法,PointRCNN作为点云目标检测算法,将点云检测获取到的ROI图像与原始图像进行加权融合,在融合后包含障碍物位置信息的图像上进行目标检测。通过与基于图像或基于点云的单模目标检测模型进行比对,在选用合适加权融合系数下双模中融合模型得到了更好的目标检测效果,在KITTI数据集上总类别的mAP@.5:.95上提升了3.3%,在Cyclist障碍物类别的AP@.5:.95上有了5.7%的显著提升。激光雷达点云的引入大大提升了纯视觉目标检测模型在小目标障碍物上的检测能力。

关键词： 视觉目标跟踪   鲁棒性   Transformer   计算机视觉  

摘要： 目标跟踪是计算机视觉中一个具有挑战性的研究课题。在过去的十多年里,研究人员们提出了各种算法来解决这个问题,并取得了显著性的成果。近年来,基于Transformer的跟踪模型以其强鲁棒性,使目标跟踪有了开创性的进展。对Transformer跟踪方法进行深入地分析,将其分为基于CNN-Transformer的跟踪器、基于两阶段全Transformer的跟踪器和基于一阶段CNN-Transformer的跟踪器,并分析它们各自的优缺点。进一步在公开的数据集上,试验评估了不同跟踪器的跟踪性能和速度,测试它们在不同跟踪场景下的效果。分析了Transformer跟踪方法的基本原理、目前面临的挑战和未来可能的发展方向。

关键词： 多目标追踪   目标检测   路侧感知  

摘要： 针对当前多目标追踪算法应对路侧交通场景的缺陷,提出一种基于路侧摄像头的多目标追踪算法。选择one‐shot追踪算法路线,基于FairMOT设计神经网络,使单个网络同时生成目标检测结果与外观特征结果,增强实时性效果;采用新的数据关联方式,减少遮挡对追踪器的影响;引入新的运动相似度度量方式——缓冲交并比,弥补线性运动预测模型产生的误差;提出基于速度判别的丢失轨迹移除算法和基于历史位置匹配算法,实现长时间遮挡轨迹的身份恢复。在UA‐DETRAC公开多目标追踪数据集上进行实验,验证该算法有效性。为证明该算法在真实路侧环境的适用性,在国家智能网联汽车(上海)试点示范区开放道路采集真实路侧场景数据。最后,将该算法和SORT、DeepSORT、ByteTrack、FairMOT算法在真实路侧场景数据上进行对比实验。实验结果表明,本算法在identification F‐Score、ID switch、fragmentation、mostly tracked、mostly lost、multiple object tracking accuracy等评估指标上优于其他算法。

关键词： 遥感图像   目标检测   Transformer   SE注意力机制  

摘要： 针对遥感图像中目标特征不明显等导致的精度低、性能差问题。我们给出基于改进Transformer的遥感图像目标检测模型。首先,运用迁移学习加载模型,并且用ResNet101替换原始主干;其次在特征提取阶段,在主干网的bottlenet层中引入SE注意力机制;最后,将原有损失函数优化为L1损失和CIOU损失的结合。实验结果证实,改进之后的模型相对于基准而言,在精度和性能上都有一定的提高。

关键词： 图像处理   计算机视觉   加权最小二乘   深度图增强   置信度   软聚类   三维空间  

摘要： 针对现有的深度获取方式存在数据缺失、分辨率低等问题,提出一种基于软聚类的深度图增强方法,称为软聚类求解器.该方法利用软聚类的强边缘保持特性提高深度图增强的精度.将软聚类仿射矩阵和加权最小二乘模型有机结合,构建了软聚类求解器中的置信加权最小二乘模型,提出了基于迭代的求解方法.为评估所提出的方法,在多项深度图增强任务上进行试验,包括深度图补洞、深度图超分辨率和深度图纠正,评价指标包含了峰值信噪比(PSNR)、结构相似度(SSIM)、均方根差(RMSE)和运行效率.结果表明:文中方法在深度图补洞任务中的平均PSNR达到了42.28,平均SSIM达到了98.83%;在深度图超分辨率、深度图纠正任务中的平均RMSE达到了8.96、 2.36.文中方法处理1张分辨率为2 048×1 024像素的图像仅需5.03 s.

关键词： 遥感影像   目标检测   YOLOv5s   轻量级检测模型   轻型通道注意力  

摘要： 针对目前遥感影像目标检测方法模型结构复杂、计算量大,且难以在边缘计算硬件上部署并流畅运算的问题,提出一种基于YOLOv5s的轻量化遥感影像目标检测模型。将使用轻型通道注意力机制的MobileNetV2网络放入YOLOv5s内代替CSPDarknet53进行特征提取,然后使用多路径融合网络PANet实现多尺度特征图融合增强,最后输出3个尺度的特征图参与检测。在公开遥感目标检测数据集上对模型训练和测试。实验结果表明,改进后模型相比原模型YOLOv5s,在检测速度与模型体量方面均有明显提升,同时mAP相比对照组内的MobileNet-SSD、YOLOv4-tiny模型,分别提高了23.1%和21.4%。以上结果充分说明本文提出模型能够在边缘计算硬件上实现对遥感影像目标的精准、实时检测,可以在城市规划、应急救灾等领域发挥出重要的应用价值。

关键词： 中国兵工学会   重点科研项目   基金项目   光电信息   传感技术   图像处理   ISSN   中北大学  

摘要： 《测试技术学报》(ISSN1671-7449 CN14-1301/TP)由中北大学和中国兵工学会主办,是“中国兵工学会测试技术学会”会刊,刊登有关测试技术的重点科研项目、基金项目的研究成果以及兵器及民用测试的应用技术,是“中国科技核心期刊”。本刊稿件来源于全国各大高校、研究院所及国外一些大学,在国内本专业学者中受到高度重视,重点关注测试技术与理论研究、光电信息与传感技术、故障检测、信号检测、数据采集、图像处理、通信技术等领域。

关键词： 目标检测   YOLOv5   司机状态检测   深度学习   轨道交通  

摘要： 为了提高工程车司机驾驶行为识别的精度和效率,本系统使用YOLOv5实现机车司机操作行为识别与视频监控,保证行车安全。本系统可实现疲劳驾驶监测、分心驾驶监测等多种不规范驾驶行为的检测,并且支持多路视频监测,提高监测效率。首先,利用车载摄像头采集司机驾驶状态视频流,传入检测模型;其次,通过网络模型进行实时监测,若出现不规范驾驶行为将发出警报并储存违规信息。为提高检测精度,本系统可通过人机交互界面自行绘制异形检测框,降低复杂背景对检测的不良影响。经过试验测试,该系统的损失在0.02左右,单类别检测准确率达到了92.5%,平均精度达到83.6%以上,能有效检测疲劳驾驶和驾驶时的不良行为,并及时发出语音警报提醒驾驶员。该系统将在减少工程事故、提高作业安全水平上发挥重要作用。