机载复杂场景下的低虚警红外目标检测

机载红外光电探测系统进行下视复杂场景目标探测时,地面虚警干扰源同弱小目标在空间分布上一致,传统算法会导致大量虚警.因此,提出一种基于运动目标特征的多维度特征关联检测算法.该算法首先对复杂场景进行特征点检测,引入基于相对速高比的跳帧机制,对经过图像配准的帧间图像进行差分处理检出候选目标.同时,结合基于核相关滤波的目标相似...     

基于YOLO v3的室内场景中人体检测方法的研究

针对传统人体检测算法,存在着鲁棒性差和对光照条件要求较为苛刻的问题,借鉴目标检测的最新研究成果,以YOLO v3网络为基础,对室内场景制做了相应的室内场景人体识别数据集;同时,结合人体成像具有宽高不一致的特点,聚类选取初始框的数量和规格,改进候选框在X轴和Y轴的分布密度,将红外夜视图片和常规图片混合训练,并利用运动检测算法提取ROI,然后进行噪声处理,最后进行了检测。实验证明,对室内场景的人体检测和追踪的方法比常用的人体识别方法具有更高的准确率、更低的漏检率。     

基于YOLO算法的车辆实时检测研究

随着科学技术的不断发展,人工智能已经融入航空、汽车、航海等领域,人们对智能交通的迫切需求已经成为当今社会迅速发展的趋势。近年来在自动驾驶领域中针对传统的图像识别分类问题,目标检测更符合对行人和车辆实时检测的现实需求。与传统的识别不同,YOLO(You Look Only Once)是一个将目标检测作为回归问题的识别算法,它具有检测速度快、全局性好、泛化性强等特点。本文研究了YOLO算法的实现,并基于Opencv计算机视觉库在Visual Studio开发环境中进行了YOLO算法测试,实验结果表明,车辆识别准确可靠。     

图像物体检测深度学习算法综述

物体检测是计算机视觉研究的基本问题之一,是其他高级视觉研究的重要前提。深度学习利用其强大的特征学习能力使物体检测研究取得了突破性进展。首先回顾了传统物体检测方法并指出了该方法的弊端;其次介绍了以R-CNN为代表的双阶段物体检测深度学习算法(R-CNN、Fast R-CNN、Faster R-CNN、Mask R-CNN);然后介绍了以YOLO为代表的单阶段物体检测深度学习算法(YOLO、SSD);最后对深度学习的物体检测算法进行了总结和展望。     

基于改进YOLO v5的机床刀具识别方法

针对目前机床刀具分类应用较少、预处理复杂、目标检测适用范围小且识别精度不高的问题,提出基于改进的YOLO v5机床刀具图像识别算法,利用卷积神经网络在特征提取层加入CBAM注意力模块,可以更清晰地提取图像特征,在特征融合层加入CARAFE上采样模块,使刀具的表面特征恢复更好,可以减少特征融合时部分特征的丢失。实验结果表明,改进后的算法使机床刀具等小目标检测精度和检测速度明显提升,且改进后的模型平均精度为96.8%,比YOLO v4模型提高了14.96%,比YOLO v5模型提高了2%。本方法能对不同刀具进行识别,为工业制造中机械零件的识别提供了新的算法支持。     

基于YOLO V3的施工电梯人数检测系统研究

将基于YOLO V3的检测方法运用于施工电梯安全人数检测系统的研究,可以提高人数检测系统的视频图像智能分析技术,提高施工电梯的安全性。通过优化YOLO V3的网络模型,结合施工电梯的使用环境,在保证检测效果的同时,降低了模型对计算机性能的需求。以调和平均值F作为综合评价指标,结果表明YOLO V3算法的F值最高,模型的平均检测速率为54.4 f·s~(-1),模型的识别准确度、流畅度均优于RetinaNet算法,满足实时检测要求。经过模型测试,对比多种识别方法在不同人数测试下的实际检测结果,以平均精度与检测速度作为综合评价指标,可知图像的识别准确度基本不变,流畅度提高。同时,在密集人员、头部遮挡等复杂情况下,它依然具有较好的鲁棒性,可为施工电梯安全人数检测系统设计提供理论与实践基础。     

改进的基于局部联合特征的运动目标检测方法

背景减除是机器视觉中运动目标检测最常用的方法。针对复杂场景中传统单特征算法检测精度不高、多特征检测算法实时性较差的问题,提出了一种改进的联合纹理、颜色和位置特征的局部联合特征,并对局部联合特征混合高斯建模,采用多重判定进行学习和更新的目标检测算法。为更好地抵抗阴影和光照变化影响并减少计算量,改进了LBP算子,Lab局部颜色特征在处理纹理缺乏情况时,有更好的效果,而位置特征能减缓场景抖动等噪声影响。实验结果表明,该算法能准确地检测上述影响下的目标,检测效果在多种数据集上表现出更高的鲁棒性和精确性并且基本达到实时性要求。     

改进YOLO v5s的道路目标检测模型轻量化研究

针对目前道路目标检测算法因存在网络结构复杂、计算量大而不利于在嵌入式平台部署的问题,提出了一种改进的轻量级YOLO v5s道路目标检测算法,将YOLO v5s骨干网替换为MobileNetV3进行特征提取,降低了网络的参数量和计算量。实验结果表明：在自制的常见道路目标数据集上,改进后的算法在保证较高检测精度的情况下,使模型体积减小49.3%,参数量减少50.3%,从而降低了硬件部署成本,可满足在嵌入式端部署后对道路目标检测的准确率和实时性要求。     

基于深度学习的目标检测算法研究

传统的目标检测方法时间复杂度高,用于检测的滑动窗口冗余,鲁棒性较差。从深度学习开始,目标检测技术有了重大突破。而无人驾驶的感知部分作为计算机视觉的领域范围,深度学习卷积神经网络模型在其中发挥着重要作用。现主要探讨采用回归检测算法的YOLO模型,从其检测流程、网络设置、结构来分析YOLO模型的特点,为之后进一步的多信息融合的无人驾驶视觉技术研究做铺垫。     

基于快速背景差分的高速铁路异物侵入检测算法

随着我国高速铁路通车里程不断增加,高速铁路的运营安全备受关注,异物侵入铁路限界对运营安全危害极大,有效检测侵入线路净空的异物对保障高速铁路安全运营具有重要意义。铁路场景环境光线多变和图像通道众多的特点对基于图像的异物检测方法的处理效果和实时性提出了较高的要求。针对铁路场景抖动发生在垂直方向的特点,提出了一维灰度投影结合高斯滤波的图像快速去抖方法,在大幅提高处理速度的同时获得了较好的去抖效果;针对复杂多变的背景,提出了一种基于前景目标统计分布的背景更新算法,定义了目标分散指数用于确定行列投影次序,通过统计前景目标分布实现背景更新,在提高速度的同时解决了传统背景更新算法难以解决的鬼影问题。最后通过背景差分获取前景目标,并通过目标标记、合并与特性分析提高目标检测的准确性。沪宁城际高速铁路典型场景的现场实验表明,该算法能有效检出铁路场景侵限目标,系统综合误检率约为0.54%,漏检率为0。     

基于机器视觉与YOLO算法的马铃薯表面缺陷检测

针对马铃薯表面缺陷检测快速准确的需求,提出一种基于机器视觉与YOLO算法的马铃薯表面缺陷检测方法.应用这一方法,构建马铃薯表面缺陷图片数据集,对原始数据集进行图像增广;通过二分K均值聚类算法进行目标框聚类分析,采用分步训练方式优化学习权重.试验结果表明,所提出的基于机器视觉与YOLO算法的马铃薯表面缺陷检测方法可以有效实现马铃薯表面缺陷的快速、准确检测,平均识别精度达到99.46％,对腐烂、发芽、机械损失、虫眼、病斑检测的精度均高于98％,单幅图片识别时间约为29 ms.     

面向航天光学遥感场景压缩感知测量值的舰船检测

基于压缩感知的航天光学遥感成像系统可以在采样阶段通过硬件同时完成采样和压缩。在面临舰船检测任务时,系统需要重建原始场景,CS的场景重建过程计算量大、内存要求高且耗时。本文提出了直接对成像系统测量值进行舰船检测的算法——基于压缩感知和改进YOLO的测量值舰船检测算法。为了模拟成像系统的分块压缩采样过程,利用步长和卷积核尺寸相等的卷积测量层对场景进行卷积运算,将高维图像信号投影到低维空间得到全图CS测量值。得到场景的测量值后,测量值舰船检测网络从测量值中提取舰船的位置信息。在主干网络中导入SENet模块,利用改进后的主干网络来提取测量值的舰船特征信息;利用特征金字塔网络强化特征提取的同时融合浅层、中层和高层的特征信息,进而完成舰船的位置信息预测。其中,CS-IM-YOLO将卷积测量层和CS测量值舰船检测网络连接起来端对端训练,大大简化了算法的预处理过程。通过数据集HRSC2016评测算法性能,实验结果表明：CS-IM-YOLO对于SORS场景CS测量值舰船检测的检测精度为91.60%,召回率为87.59%,F1值为0.90,和AP值为94.13%。这充分表明该算法可以对SORS场景的CS测...     

采用核相关滤波器的自适应尺度目标跟踪

由于现存的大多数基于检测的跟踪器都没有解决尺度变化问题,本文在传统的基于检测的目标跟踪框架下设计了一种尺度估计策略,并给出了基于核相关滤波器的自适应尺度目标跟踪算法。该算法利用核函数对正则化最小二乘分类器求解获得核相关滤波器,通过对核相关滤波器的在线学习完成目标位置和尺度的检测,并在线更新核相关滤波器。为了验证本文算法的有效性,选取了10组场景复杂的视频序列进行测试,并与其它5种优秀跟踪方法进行了对比。结果表明,本文提出的方法比上述5种优秀跟踪方法中的最优者的平均距离精度提高了6.9%,且在目标发生尺度变化、光照变化、部分遮挡、姿态变化、旋转、快速运动等复杂场景下有较强的鲁棒性。     

基于深度学习的机器人最优抓取姿态检测方法

服务型机器人在抓取任务中面临的是非结构化的场景。由于物体放置方式的不固定以及其形状的不规则,难以准确计算出机器人的抓取姿态。针对此问题,提出一种双网络架构的机器人最优抓取姿态检测算法。首先,改进了YOLO V3目标检测模型,提升了模型的检测速度与小目标物体的识别性能;其次,利用卷积神经网络设计了多目标抓取检测网络,生成图像中目标物体的抓取区域。为了计算机器人的最优抓取姿态,建立了IOU区域评估算法,筛选出目标物体的最优抓取区域。实验结果表明,改进后的YOLO V3目标检测精度达到91%,多目标抓取检测精度达到86%,机器人最优抓取姿态检测精度达到90%以上。综上所述,所提方法能够高效、精确地计算出目标物体的最优抓取区域,满足抓取任务的要求。     

基于双目视觉的非凸复杂形貌物体干涉分析

传统基于点云分析的物体与场景干涉检测算法使用层次包围盒或空间分解的方法判断是否发生干涉,不能获取物体与场景各点的准确安全距离数值。提出一种基于双目视觉点云的非凸复杂形貌物体干涉分析方法,该方法首先使用双目立体视觉算法对已标定的双目相机拍摄的场景快速重建点云,然后用待分析的物体三维点云和重建的场景点云数据求解干涉问题,使用K-D树搜索的方法快速确定指定点的干涉距离,使用相机光轴方向的点云坐标关系确定是否干涉。方法在某探测器内场实验中的干涉检测正确率为100%。且相较于现有干涉检测算法,本方法可准确获取物体表面是否干涉及具体距离信息,并借助双目点云沿参考相机光轴方向有效简化相交测试计算复杂度,在降采样下单点检测的时间不超过0.15 s,能够满足非凸复杂形貌物体和各类地形的干涉快速分析的需求。所提方法圆满完成了嫦娥五号在轨月面采样封装中采样点选择的采样器-地形干涉分析任务。     

基于全局相似性约束的多视点图像拼接

针对在大视差场景下进行图像拼接时容易出现的扭曲、失真、重影等现象，提出了一种基于全局相似性约束的多视点图像拼接算法。在传统细分网格模型的基础上，添加一个先验的全局相似约束项，对待拼接图像在整体上进行相似性转化，同时分别选取视角不同、亮度不同、复杂场景的三组图像，与已有算法的拼接效果进行对比，并采用质量评价方法对图像进行客观评价。结果表明：提出的方法在拼接效果上可以有效降低已有方法对大视差图像拼接时产生的扭曲和重影，且质量评价提高了10%以上；由于对图像的视角及场景深度无严格要求，因而具有良好的适应性，能够更自然地拼接大视差图像。     

基于可变形卷积的单帧图像眼球定位追踪

针对目前眼球定位追踪算法存在的眼球定位精准度不高问题,以及为了改进眼球追踪算法的精准度并保证一定的图片处理速度,将可变形卷积网络应用于YOLO网络,对特征分布提取层面进行改进。利用可变形卷积的形变建模能力对卷积核中的各个采样点的位置增加一定的偏移变量,从而从原始单帧图像中提取更具有表征特征的信息,并与先进眼球定位追踪检测网络进行了实验对比。研究表明,可变形卷积YOLO网络的精准度可以达到0.685,平均处理图片刷新率达42帧/s,优于原YOLO网络以及其他眼球定位追踪检测网络。     

基于剪切波变换的复杂海面红外目标检测算法

针对复杂海面红外目标检测问题,利用剪切波变换优良的各向异性能力和系数的几何特性,提出了一种基于剪切波变换的复杂海面红外目标检测算法.该算法利用剪切波变换得到边缘图像,同时提供边缘的方向信息,极大提高了海天线的检测和识别概率;然后根据海天线位置进行边缘加权,抑制海杂波,保留目标信息;经过减行均值滤波,对加权边缘图像进行分割;最后,进行数学形态学处理,检测出舰船目标.实验结果表明,该算法可以在单帧图像中检出目标,并且对存在阳光亮带、海杂波等干扰的复杂海面背景取得较好的检测效果.     

面向工业复杂场景的合作靶标椭圆特征快速鲁棒检测

针对工业制造现场复杂场景下典型合作靶标识别需求,提出了一种椭圆特征快速鲁棒检测方法。首先对预处理图像进行边缘跟踪和弧段分割筛选分组,通过基于帕斯卡定理的邻接象限弧段匹配和基于关系矩阵的边缘弧段聚类,对具有椭圆匹配性的边缘弧段实现快速聚类。然后采用非迭代最小二乘拟合方法获取椭圆参数,并根据参数特征去伪,得到最终检测结果。本文通过采用更加严格的椭圆匹配约束和更加高效的弧段聚类方法,有效减少了参数拟合阶段对非椭圆特征的运算量,具有良好的检测效率和检测结果可靠性。实验结果表明,本文算法对检测距离、光照条件、目标方位、图像噪声等干扰因素具有显著的抑制作用,在复杂场景条件下能够得到可靠的检测结果。本文方法对640×480 pixel的实验图像检测时间为183.2 ms,快于同类椭圆检测算法,满足了工业测量仪器在现场复杂场景中对合作靶标快速搜索与识别的性能需求。     

基于DSSD模型的机械加工件表面缺陷检测研究

针对机械加工件表面缺陷检测问题,对工件表面缺陷种类、缺陷位置进行了研究,对深度学习中的目标检测算法进行了归纳分析,提出了一种基于DSSD模型的机械加工件表面缺陷检测方法。该方法首先利用扫描电子显微镜获取了不同工件、不同位置的表面缺陷图像,建立了工件表面缺陷数据集,并对数据集进行了扩充;然后将DSSD网络模型反卷积模块的网络层数进行了简化,从而降低了计算复杂度;最后利用简化后的DSSD模型完成了对数据集的训练和测试。研究结果表明:DSSD模型的检测效率高于YOLO、Faster R-CNN和SSD这3种模型,能够更准确、快速地检测工件表面缺陷,为实际工业场景下的缺陷检测提供了新的思路。