关键词： 机动目标跟踪   箱粒子滤波   自适应交互多模型   区间量测   转移概率矩阵  

摘要： 针对现有交互多模型箱粒子滤波(Interacting Multiple Model Box Particle Filter,IMMBPF)算法在区间量测目标跟踪过程中模型切换和跟踪精度方面的不足,结合自适应交互多模型算法,提出了一种自适应交互多模型箱粒子滤波(Adaptive IMMBPF,AIMMBPF)算法。该算法利用模型似然后验信息构建修正因子,并结合阈值对马尔可夫转移概率矩阵进行自适应修正,使得匹配模型的概率快速增大,并且可以减小非匹配模型的影响,即使在目标运动模型先验信息不足或者不准确情况下,也能对模型转移概率进行自适应更新。对于量测常受到未知分布和偏差的区间误差所影响而呈现区间形式的问题,将箱粒子代替普通粒子,拟合后验概率密度从而进行滤波。仿真结果表明,相比于原有算法,该算法在区间量测机动目标跟踪的应用中,拥有更优的模型匹配度和目标跟踪精度。

关键词： 目标检测   抛物运动   轨迹预测   轨迹跟踪   YOLOv7  

摘要： 针对物体在空中运动的跟踪、拦截等问题,提出一种基于YOLOv7目标检测算法的抛物运动轨迹绘制及实时预测。首先,采用YOLOv7-Tiny训练能够识别球类目标的模型,设计并实现对于连续画面采集的实时检测与目标绘制框架。接着,对仅受重力作用、阻力与速度成正比以及阻力与速度的平方成正比的抛物轨迹方程进行推导,构建轨迹预测算法。最后,通过实验测试画面采集速度和抛物轨迹预测的准确性,实现抛物轨迹跟踪和预测。结果表明,每秒检测帧数达103,球类目标的检测平均精度均值@0.5(mAP@0.5)和@0.5∶0.95(mAP@0.5∶0.95)分别达到89.1%和66.6%,阻力与速度成正比的抛物轨迹X、Y方向预测的准确度分别达到98.50%、98.67%,阻力与速度的平方成正比的抛物轨迹X、Y方向预测的准确度分别达到99.35%、99.12%。

关键词： 机器视觉   Gamma校正   目标区域提取   YOLO-V3网络   目标检测  

摘要： 针对轻型弱小目标因体积小及亮度弱等导致目标检测跟踪困难的问题,提出融合机器视觉和无监督域适应的轻型弱小目标检测方法。采用Gamma校正方法对图像中弱亮度的轻型弱小目标进行光照补偿,增强目标轮廓清晰度,提取并融合特征显著图获得图像目标区域,通过YOLO-V3网络将原始图像集作为源域样本训练网络,将目标区域作为目标域样本展开无监督域适应的目标检测。结果表明,所提方法的图像目标提取精度提高了2.05%,目标检测精度达82.36%,相较于其他对比方法检测精度提升了2.1%。验证了该方法检测轻型弱小目标的有效性。

关键词： 视频伪装目标检测   显式运动建模   光流   自监督  

摘要： 目前的视频伪装目标检测方法通常采用隐式运动建模或直接输入存在噪声的离线光流图来获取运动线索,这会影响模型性能。为了解决这一问题,提出一种新的基于显式运动建模的视频伪装目标检测框架,称为SMHNet。首先,该框架将显式运动建模与伪装目标检测联合在同一个框架中进行学习。然后利用特征双向更新模块实现两个分支的双向交互更新,相互补充、优化和纠错,输出光流估计结果和目标检测图。此外,为了解决缺少光流真值图这一问题,采用自监督策略对显式运动建模分支进行监督。在两个数据集上的对比实验结果表明,SMHNet有效地提高了视频场景中伪装目标检测的性能。

关键词： 计算机图像处理技术   纺织工业   应用  

摘要： 新技术的蓬勃发展推动了我国纺织工业的转型与创新,计算机图像处理技术集结了数字化图像处理与计算机编程等先进技术,在纺织工业中得到了广泛应用,展现出较高的使用价值。基于此,文章结合实践,讨论了计算机图像处理技术在纺织工业领域的应用特征及其价值,介绍了几种纺织工业中计算机图像处理技术的典型应用,简要讨论了该技术的发展前景。

关键词： YOLOv5   小目标检测头   网络框架   DeepSORT   注意力机制   损失函数  

摘要： 针对现有水面垃圾检测模型精确率低、运算速度慢以及鲁棒性差的问题,提出一种基于改进型YOLOv5的水面垃圾检测与分类算法,将小目标检测头引入改进型网络框架以提高目标检测准确率,通过融入DeepSORT算法以提升检测速度,加入SENet注意力机制并更改损失函数为SIoU以提高模型的鲁棒性。通过对洞庭湖水域垃圾检测结果展开改进前后对比分析,实验结果表明,与原始YOLOv5相比,改进后的YOLOv5的mAP@0.5达到92.1%,较改进前提高了5.37%,同时平均帧率提高至47.8FPS,较改进前提升19.20%,为后续开展水面垃圾自适应处理可行性方案奠定了坚实基础。

关键词： 长脉冲热像法   傅里叶变换   相位增强   复合材料  

摘要： 针对长脉冲热波激励后采集到的红外原始热图中缺陷对比度低、缺陷边缘模糊等问题,本文提出了一种基于傅里叶变换、频域相位积分和保边滤波的红外序列图像处理方法,该算法首先对冷却时间段内采集到的红外原始热图进行消背景处理,再利用傅里叶变换将试样表面的红外辐射信息转化为相位信息,频域相位积分处理可以将不同频率下缺陷的相位信息整合至一幅相位积分图中,最后通过保边滤波器及自适应伽马变换对积分图像进行增强和量化。该算法克服了传统方法需要人工从多张频率或成分图中甄别出最优检测结果的缺点,并且可以消除加热不均匀的影响,改善缺陷的可视化。试验结果从定性和定量两个角度验证评估了该算法的有效性,并讨论了采集参数的影响。

关键词： 目标检测   头盔识别   YOLOX   Ghostnet   SENet  

摘要： 为了提升电动车头盔检测系统的精确度和实时性,考虑到传统检测方法在特征提取方面存在困难,目前基于深度学习的目标检测算法存在模型的泛化性不高,对复杂背景的适应性不足等问题。本文提出基于YOLOX算法优化后的BH-YOLOX模型。首先,特征提取网络维度,通过构建轻量级的Ghostnet网络,在减少了参数量和计算量的前提下,同时提高了特征提取能力,使模型更加轻量化;特征融合维度,增加了Squeeze-and-Excitation Networks (SENet)通道注意力机制,加强了不同通道的特征的关联,提高了网络在复杂场景中的性能;扩展特征层维度,BH-YOLOX在原有的三个特征层的基础上又增加了一个更大的特征层,能够有效提升网络对小目标的检测性能;最后优化损失函数,提高网络模型的回归精度。实验结果证实,BH-YOLOX模型的mAPz值达到98.90%,检测速度为104.51 FPS,能满足绝大多数交通场景的要求,也适用于部署在如摄像头等边缘设备上。

关键词： 遥感图像   小目标检测   多尺度特征   YOLOv7   Swin Transformer  

摘要： 针对地理空间遥感图像存在目标分布密集、尺度变化范围较大及小目标特征信息过少等而造成目标检测精度不高的问题,提出了一种基于Swin Transformer(STR)和YOLOv7的多尺度遥感小目标检测算法cosSTR-YOLOv7。以YOLOv7作为基线网络,首先,使用STR模块替换主干网络中的E-ELAN模块,并利用余弦注意力机制和后正则化方法将其改进为cosSTR模块,以提升模型训练的稳定性;其次,在Neck部分构建新的特征融合层,以减少特征信息丢失;然后,在预测部分增加小目标预测层,以提升模型对小目标的检测能力;最后,采用新的SIoU损失函数计算定位损失,以加快模型收敛速度。利用遥感数据集DIOR进行实验,实验结果表明,所提算法平均精度均值(mAP)达到92.63%,对比原YOLOv7算法提高了3.73个百分点,对多尺度小目标的检测性能有显著提高。

关键词： 输电线路   目标检测   神经网络   轻量化模型   注意力机制   深度学习  

摘要： 针对目前基于深度学习的输电线路目标检测存在的小目标特征提取能力较差、易出现误检漏检、检测精度较低、检测速度较慢等问题,提出了一种基于改进深度学习神经网络模型YOLOv7的目标检测方法。首先使用MobileNetV2网络作为YOLOv7的特征提取部分,实现模型的轻量化处理;其次引入注意力(coordinate attention,CA)机制和空洞金字塔池化(atrous spatial pyramid pooling,ASPP)模块来提高模型的精度和感知能力;最后利用建立的输电线路障碍物数据集来训练改进的YOLOv7网络模型,并与原有YOLOv7网络模型进行对比。结果表明,算法在准确率、召回率上显著提升,可满足复杂场景下的输电线路故障检测,更利于模型的嵌入式系统硬件实现。