关键词： 目标跟踪   点提示   零样本分割   深度学习  

摘要： 当前目标跟踪算法往往采用目标框或分割掩模初始化模板,然而在有限操作时间或恶劣场景时却难以提供目标框或分割掩模。提出一种点提示的目标跟踪算法,其仅需要提供位于目标分割掩模中的任一图像坐标即可完成模板初始化。首先,采用SAM对图像目标进行零样本分割,获取分割掩模,求外界矩形框作为ATOM跟踪算法的输入,从而完成模板初始化;然后,采用高斯-牛顿共轭梯度法对模板在线快速学习,获得目标定位器,与离线学习的IoU预测分支共同完成目标跟踪任务;最后,根据点提示输入完成目标跟踪算法仿真。仿真结果表明,在UAV123数据集上,算法的精度P达到79.7%,AUC达到60.6%,跟踪性能相较于经典算法有一定提升,同时,FPS达到87.4帧/s,满足实时跟踪要求。

关键词： 纯方位目标跟踪   可观测度   机动目标   卡尔曼滤波   蒙特卡洛仿真  

摘要： 纯方位目标跟踪是仅根据目标相对观测站的视线高低角和视线方位角计算出目标的距离及速度。为应对纯方位目标跟踪过程中相对距离的可观测度不足的问题,针对3种具体情况分别提出了相应的改进方法。①若目标静止且相对距离初值已知,可根据观测站速度实时计算出相对距离;②若目标匀速运动或相对距离初值误差较大,观测站可通过特殊机动的方式增强相对距离的可观测度;③若观测站和目标之间的相对高度已知,此时相对距离的可观测度充足,即使针对具有机动能力的目标也可以准确地估计出相对距离。分别针对静止目标、匀速运动目标以及具有机动特性的目标进行了仿真,结果表明:第一种方法相对距离误差的大小取决于初值误差的大小;第二种方法的误差受到观测站机动方式及机动加速度大小的影响,在该文设计的观测站机动方式以及仿真工况中,第二种方法的相对距离误差均值为5.26 m;在针对第三种方法的仿真中增加了目标的机动过程和量测噪声,根据蒙特卡洛仿真结果统计出的相对距离和相对距离变化率均方根误差分别为0.81 m和0.95 m/s。

关键词： 主动毫米波图像   瓶颈型Transformer   小目标检测   多视角加权框融合  

摘要： 主动毫米波(active millimeter wave,AMMW)图像具有噪声多、易含伪影、小目标多等特点,一直是隐匿目标检测的挑战.为此,提出了一种基于BoT-YOLOX的毫米波图像目标检测方法.首先,在模型主干网络中引入瓶颈型Transformer(bottleneck Transformer,BoT),加强模型的特征提取能力;然后,调整多尺度目标检测层,并集成全局注意力机制来提高对小目标的检测能力;最后,提出一种多视角加权框融合的后处理方法,用于集成不同视角检测结果,以提高模型的鲁棒性.在自行采集的包括54000幅图像的AMMW数据集上,与基准模型(YOLOX)相比,该模型达到了93.22%的检出率和4.46%的误检率,AP提升了6.74个百分点;在公开AMMW数据集上,与主流方法相比,mAP提升了4.07个百分点.实验结果表明,所提方法对AMMW图像场景的目标,小目标检测准确度更加出色.

关键词： 动态环境   目标检测   几何约束   稠密建图  

摘要： 针对同步定位与建图(Simultaneous Localization and Mapping,SLAM)算法在动态场景中存在定位精度低且无法生成稠密地图的问题,提出一种基于动态区域剔除与稠密建图的视觉SLAM算法。在原ORB-SLAM3算法的基础上新建动态特征点检测线程,使用YOLOX网络获取动态场景语义信息及物体检测框,同时结合语义和几何约束检测特征点运动状态,提出动态特征点剔除算法,旨在精准实现动态特征点的剔除。随后设计稠密建图线程,基于关键帧及相应位姿构建稠密点云地图,利用地图中剩余的静态特征点,去除动态物体造成的重影,实现稠密地图的构建。在公开TUM数据集和真实动态环境进行验证,在TUM数据集的动态环境下,新算法有效消除了动态物体对位姿估计的影响,提升了SLAM算法在动态场景中的定位与建图的鲁棒性。

关键词： 同步定位与地图构建   目标检测   动态特征点剔除   定位精度   光流法  

摘要： 针对室内动态场景中存在的动态目标会降低同步定位与地图构建(SLAM)系统的鲁棒性和相机定位精度问题,提出了一种基于目标检测网络的动态视觉SLAM算法。选择YOLOv5系列中深度和特征图宽度最小的YOLOv5s作为目标检测网络,并将其主干网络替换为PPLCNet轻量级网络,在VOC2007+VOC2012数据集训练后,由实验结果可知,PP-LCNet-YOLOv5s模型较YOLOv5s模型网络参数量减少了41.89%,运行速度加快了39.13%。在视觉SLAM系统的跟踪线程中引入由改进的目标检测网络和稀疏光流法结合的并行线程,用于剔除动态特征点,仅利用静态特征点进行特征匹配和相机位姿估计。实验结果表明,所提算法在动态场景下的相机定位精度较ORB-SLAM3提升了92.38%。

关键词： 水面目标   小目标检测   轻量化   YOLOv5   模型剪枝   知识蒸馏  

摘要： 为提升内河航行场景下水面小目标的检测效果,降低模型复杂度,提出一种基于改进YOLOv5l的轻量化水面目标检测模型。首先,对定位损失函数进行改进,提出NWD-CIoU函数,可提升模型对小目标的召回率,增加模型的多尺度目标检测能力。其次,将FasterBlock模块与C3模块结合,提出C3_Faster模块,对YOLOv5l模型的主干网络进行优化,减少网络参数,降低模型复杂度。再次,基于Slimming方法对模型进行剪枝,大幅修剪冗余连接,以减少模型参数和运算复杂度,提升推理速度。最后,基于通道知识蒸馏方法,以YOLOv5x作为教师模型对剪枝后模型进行蒸馏,以提升模型的检测效果。实验结果表明,本文模型对内河航行场景下的水面目标具有较好的检测效果和检测速度,相比原YOLOv5l模型,参数量减少了81.48%,GFLOPs减少了80.69%。该模型更适合在计算资源受限的移动设备上部署,具有一定的工程意义。

关键词： 杏果   目标检测   复杂果园环境   轻量化网络   YOLOv8算法   损失函数  

摘要： 为解决复杂果园环境中,因遮挡、重叠导致杏果识别误检率较高、检测精度较低的问题,提出一种基于改进YOLOv8n网络模型的杏果检测算法。该算法采用轻量化模块MobileViT—XS替换原有骨干网络,保证特征提取能力,同时降低模型的参数量与计算量,并且将原始的损失函数CIoU替换为WIoUv3,动态优化损失权重提高模型的检测精度。为验证改进方法的有效性,选取6种主流的目标检测模型、5种骨干网络的轻量化改进模型以及5种不同的损失函数进行对比试验。结果表明,改进后的模型相比原始模型在F 1、平均精度均值mAP上提升1.25%、1.48%,参数量、浮点运算量、模型大小分别降低28.06%、0.1 G、1.48 MB。改进后的算法能够精准、快速地在复杂的果园环境中识别出杏果。

关键词： 目标识别   目标跟踪   位置预测   深度学习   机器视觉  

摘要： 针对多模态检测任务下全尺寸目标识别与跟踪网络串联结构较大、整合程度差、计算效率低的问题,克服跟踪算法对目标运动持续时间与轨迹积累的依赖,面向无人机、智能巡飞弹等无人装备对多模态网络一体化、轻量化与快速相应的需求,提出了一种基于短时域的目标识别与快速跟踪神经网络。以相邻两帧图像作为输入,融合目标语义信息与运动趋势信息间的关联特征;通过可共享特征提取网络,降低多模态目标检测网络的结构复杂性;采用含有静态与动态链路的双分支推理网络,同步完成当前帧内目标识别计算与未来帧内目标位置预测。实验结果表明:所提出的算法识别准确率可达到95.4%,位置预测准确率可达到90.9%,能够在低算力支持下赋予智能武器目标高效识别与快速跟踪计算能力。

关键词： 水平回油管   两相流型辨识   图像处理   小波分解   Elman循环神经网络  

摘要： 为探究航空发动机回油管尺度下以润滑油和封严空气为主要介质的油气两相流相分布特征,实现回油管内流型准确辨识,提出了一种基于图像处理的两相流型辨识模型。该模型基于航空发动机工况下水平回油管内油气两相流实验获取的4种典型流型图像结果,以双边滤波、二值化、小波分解等图像处理技术提取的流型特征数据集为输入,采用Elman循环神经网络模型实现流型辨识。结果表明:在航空发动机工况范围内,回油管内会出现4种典型流型:弹状流、层状流、波状流和环状流。基于流型图像的辨识模型能够成功辨识4种不同流型,且在验证集上辨识准确率为93.06%、宏F1为97.60%,具有较好的准确性和稳健性。

关键词： 图像处理   颜色一致性   跨相机应用   RAW图像   光源感知  

摘要： 针对相机传感器光谱灵敏度和内置图像信号处理(ISP)模块差异导致的图像间颜色不一致的问题,提出2种基于光源感知的跨相机颜色一致性算法,即色温(CCT)感知的自适应分区映射算法和类别感知的自适应分类映射算法,用于将RAW图像从待处理相机的颜色空间转换到目标相机的颜色空间.通过在不同色温和类型的典型光源下得到的训练算子来推导目标场景最终的映射算子,为不同照明场景建立特定的映射关系,进而实现跨相机图像的转换.在实验中采用颜色差异指标来对算法进行客观评估,结果表明所提出的2种算法在色差和视觉效果方面均比现有经典方法展现出更好的性能,能够有效适应照明条件的多样性和复杂性,具有广泛的应用潜力.