关键词： 粒子滤波   检测前跟踪   扩展卡尔曼滤波   目标跟踪   非局部均值滤波  

摘要： 无人机的迅速发展催生出许多非法飞行现象,及时发现和实时跟踪无人机尤为重要。无人机在远距离或低信噪比环境下难以被传统雷达系统有效探测。红外成像技术由于其高精度和强抗干扰能力,加上拥有出色非线性非高斯处理能力的粒子滤波算法,成为理想的无人机检测跟踪手段。针对复杂背景和低信噪比环境下无人机弱小目标的实时在线检测跟踪问题,提出一种改进粒子滤波的无人机实时在线检测前跟踪算法。在图像预处理阶段,通过结合非局部均值滤波改进了基于形态学滤波的背景抑制算法。针对粒子重采样,融合3种传统重采样算法的思想改进得出一种混合重采样算法。经过一系列的实验测试与分析,验证了改进算法在应对低信噪比及动态多变背景下的无人机目标追踪难题时显著提升了跟踪精度和稳定性。

关键词： 雷达组网   目标跟踪   非线性滤波   转换量测卡尔曼滤波   方位观测重构  

摘要： 多雷达组网探测是应对隐身和低空突防的有效措施。转换量测卡尔曼滤波(CMKF)由于实现简单、计算量小,广泛使用在组网雷达融合跟踪中。CMKF的转换量测是目标状态的伪线性表达,含有较强的非线性成分,特别是在大测角误差情况下,会引发融合精度下降问题。为了抑制非线性误差影响,通过对经典转换量测模型的误差影响做理论分析,指出方位误差的余弦是导致非线性误差的主要因素;基于此论断,引入方位预测,重构出了更为精准的转换量测模型,通过在滤波过程中自适应修正方位观测,有效地抑制了方位误差余弦的非线性影响。理论分析和仿真结果证明:改进CMKF应用于组网系统后,非线性误差明显减小,融合精度显著提高。

关键词： 目标检测   钢丝绳缺陷检测   轻量化   YOLOv7-tiny  

摘要： 钢丝绳应用场景复杂、检测设备受限导致检测结果不可靠、不高效,检测算法难部署、难移植,对此提出了一种基于YOLOv7-tiny改进的轻量化模型,通过引入Ghost卷积模块实现网络的轻量化;在主干网络中添加ECA自注意力算法以增强网络表征能力;使用CARAFE上采样算子加强了特征提取;采用WIOU损失函数进一步提高检测精度。在钢丝绳缺陷数据集上进行实验,结果表明其性能优于原YOLOv7-tiny模型,平均精度达到93.2%,提高了4.7%,参数量减少了47%,模型大小减少了45%。与目前其他先进的网络模型相比同样有着更优的整体性能。

关键词： 视频监控系统   业务运行监控体系   人工智能   目标检测技术  

摘要： 视频监控系统是海关业务运行监控体系的重要组成部分。利用人工智能技术赋能视频监控系统,识别关键目标、获取重点信息、富集数据矿藏,有利于提升业务运行监控体系效能。随着硬件算力的提升和算法的进步,目标检测技术已经成为一种成熟的视频分析工具,速度快、精度高,技术路线有现成案例,具备较高的可行性。本文提出了基于目标检测技术的海关智能视频分析方案,包括海关视频监控现状、目标检测技术概述以及目标检测技术应用方案等,为提高海关视频监控的自动化程度,及时发现紧急情况、获取关键信息和进行事后追溯提供参考。

关键词： 计算机视觉   智能化   农业机械   柑橘采摘   试验分析  

摘要： 以河南省南阳市淅川县仓房镇柑橘采摘为对象,分析计算机视觉技术在柑橘采摘机中的应用要点。为验证计算机视觉技术在柑橘采摘机上的应用效果,采用对照试验法比较了两块试验田采用不同柑橘采摘模式的采摘效果。试验结果表明,观察田柑橘采摘精度略低于对照田,坏果率略高于对照田,但柑橘采摘效率显著高于对照田,柑橘采摘成本显著低于对照田。计算机视觉技术应用于智能化农业机械能在保证采摘精度和降低坏果率的基础上,提升柑橘采摘效率、降低采摘成本,可以替代传统人工采摘模式。

关键词： 视觉目标跟踪   时空特征强化   全局-局部信息关联   时空特征感知   动态模板  

摘要： 多数基于Transformer的目标跟踪模型提取的目标局部空间特征信息有限且时间特征利用不足,显著影响了目标跟踪模型在处理目标遮挡、形变或尺度变化等复杂场景下的性能。为此,提出一种时空特征强化与感知的视觉目标跟踪方法(visual object tracking method with spatial-temporal feature enhancement and perception,STFEP)。一方面,该方法使用Transformer进行搜索区域与时间上下文特征的提取与融合,以得到全局特征信息,通过设计的局部卷积神经网络,提取目标的局部特征信息,并与目标的全局特征信息相关联,进一步强化目标的特征表示。另一方面,提出了时空特征感知机制,对不同时刻的特征信息进行可靠性和必要性分析,构建动态模板以感知更丰富的时空信息,使模型适应目标及场景的复杂变化。在TrackingNet、GOT-10k、LaSOT、UAV123多个数据集上的实验结果表明,研究所提方法能够准确鲁棒的对目标进行跟踪,并在GOT-10k数据集上取得了最优的结果,AO、SR 0.5以及SR 0.75分别达到了73.7%、83.8%、70.6%。

关键词： 遥感图像   目标检测   深度学习   多尺度特征融合   加权检测框融合  

摘要： 遥感图像中目标尺度变化大且目标长宽比差异大,导致遥感图像目标检测困难。针对遥感图像的这一特点,通过改进YOLO框架,提出EW-YOLO(Efficient Weighted-YOLO)提高遥感图像目标检测的精度。首先,在特征融合部分,设计多级特征融合结构,以利用双分支的残差模块促进不同尺度特征的融合,并通过融合模块的级联以及跨层特征的融合设计,增强对不同尺度目标的提取能力,并进一步增强检测能力;其次,在预测部分,提出加权检测头,引入加权检测框融合(WBF),以利用置信度分数对每个候选框进行加权,并融合生成预测框,从而提高不同长宽比目标的检测精度;最后,针对图像尺寸过大的问题,提出图像重采样处理方法,即通过将图像采样至合适大小并参与网络训练,解决由于切割造成的大尺寸目标检测精度较低的问题。在DOTA数据集上进行的实验的结果表明,所提方法的检测平均精度均值(mAP)达到了77.47%,较基于原始YOLO框架的方法提升了1.55个百分点,且优于目前的主流方法。同时,也在HRSC和UCAS-AOD数据集上验证了所提方法的有效性。

关键词： 深度学习   目标检测   YOLOv7   安检图像   注意力机制  

摘要： 针对X光安检图像存在的违禁物品重叠和背景复杂等问题,提出了一种基于YOLOv7改进的X光安检图像违禁物品检测算法。在模型颈部网络中构建注意力特征融合模块,分别添加空间注意力和通道注意力挖掘浅层细节特征和深层语义特征,减少噪音信息冗余,降低有效特征丢失;重新设计WHIoU Loss替换CIoU Loss作为新的边界框损失函数,确保在预测框与真实边界框的宽高呈现相同线性比例关系的情况下,宽高比惩罚函数仍然具有约束效果,提升收敛速度和精度。在SIXray数据集上的实验结果表明,算法在mAP50、mAP50:95上分别提高了2%和4.5%,同时检测速度也达到了58 FPS。

关键词： 图像处理   分级检测   水果分级   特征提取  

摘要： 传统的水果分级检测主要由人工完成,效率和准确度低。数字图像处理技术效率和准确度高,在水果分级检测中发挥着重要作用。本文通过系统整理国内外相关领域文献,基于数字图像处理的核心步骤,即图像采集与数字化、图像预处理、图像背景分割、图像特征提取和图像分类,概括基于数字图像处理技术的水果分级检测研究现状,分析目前存在的问题并展望未来发展趋势,旨在为后续研究提供参考。

关键词： 伪装目标检测   局部-全局特征相互补偿   局部-全局特征交叉协方差  

摘要： 在伪装目标检测(COD)领域中,最新提出的方法主要利用伪装目标的局部特征完成COD任务,输出的预测图存在目标轮廓粗糙和对象不完整的问题。针对上述问题,提出了基于局部-全局特征相互补偿的伪装目标检测方法,利用局部特征与全局特征相互补偿进行伪装目标的检测。设计一个非局部特征增强模块(N-LFEM),使用非局部机制来交互相邻局部区域,增强局部特征表达。构建一个局部-全局特征交互模块(L-GFIM),平均局部特征得到全局特征,执行局部特征与全局特征的相互补偿。设计一个局部-全局特征交叉协方差模块(L-GFCCM),通过语义对齐和交叉协方差获取空间指标定位伪装目标所在区域,选取相似性最高的特征图输出。在3个公开数据集上的实验表明,该算法优于其他8个最新模型。在COD10K数据集上,平均绝对误差(MAE)达到了0.028。