运动目标智能检测算法研究

随着视频监控系统的普及化和庞大化,传统的运动目标检测技术难以适应检测场景的各种变化,局限性越来越突出,且实时性和准确性难以平衡。为有效解决传统的运动目标检测技术中出现的问题,以固定摄像机视频监控系统为研究背景,使用一种基于的运动目标检测方法,提高了运动目标检测准确性,降低了对光照的敏感性,并保证了实时性。     

平行照明多目视觉检测技术

多目视觉检测技术是通过多个不同位置的视觉传感器,从不同角度获取同一目标的图像,并对所得图像进行目标匹配、差分相减等,最终清晰提取出目标信息的一种视觉测量技术.相比单目视觉方法,利用多个传感器能搜集更多的目标物信息,且在检测系统中又融入了平行光照明方式下,对称式多角度的图像采集方法,可以使不同显现力的被测物平面信息通过极高的对比度显现出来,再结合多幅图像匹配、差分规则,最终可以得到效果更佳的缺陷或轮廓信息.描述了遵照该检测方法设计的实验装置,并通过成组实验证明了其可行性.基于平行光照明的多目视觉检测方法提高了系统的抗干扰能力,使系统从根本上提高了图像处理结果的精度,相比以往软件除噪、滤波等方法更加便捷、快速、稳定,适用范围也更广.提出了利用大功率LED芯片构造平行光源的思路,该平行光源设计准直度更好,非平行杂光干扰更小.     

基于深度学习的小目标检测研究与应用综述

目标检测在基于传统手工特征及深度学习算法上已经取得较大发展,然而针对小目标检测的研究近几年才开始出现,研究成果较少,且大都是在已有目标检测算法基础上进行改进,以提高小目标检测的检测精度.小目标像素点少,本身携带的特征少,多次下采样后就更难进行特征提取,因而小目标检测面临极大挑战.小目标检测在自动驾驶、遥感图像检测、刑侦等领域都有广泛应用需求,对于小目标检测技术的研究有重要的实用价值.本文对小目标检测的现有研究成果进行了详细综述.首先,将现有算法按照检测需要的阶段数分为一阶段、二阶段、多阶段,描述了RetinaNet、CornerNet-Lite、特征金字塔网络（Feature Pyramid Network,FPN）等算法的原理并进行了对比分析.其次,本文描述了小目标检测技术在不同领域的应用情况,并汇总了MS COCO、PASCAL VOC、DOTA、KITTI等数据集及算法性能评价指标.最后,总结了小目标检测面临的挑战,并展望了未来的研究方向.     

基于迁移学习的机场场面目标检测与跟踪技术研究

本文分析了深度学习技术的基本原理,讨论了其应用与目标检测与跟踪领域的基本方式。利用实地采集的广汉机场场面视频数据,采用深度迁移学习的策略,研究了面向机场场面目标的检测与跟踪技术。     

激光清洗研究综述(特邀)

激光清洗是通过把高亮度和方向性好的激光照射到物体待清洗的部位,使激光器发射的光束被污染层和/或基底吸收,通过光剥离、汽化等过程,克服污染物和基底之间的粘附力,使污染物离开物体表面,达到清洗目的,且不损伤物体本身的物理清洗技术。20世纪80年代以后,激光清洗技术得到了越来越多的关注。40年来,激光清洗作为一种新型高效的环保清洗技术,得到了飞速发展,在电子元器件清洗、文物保护和脱漆除锈等领域得到研究并获得了应用。2010年以后,对激光清洗研究进一步深入,在激光清洗的检测和智能控制方面取得较大成果,并且在激光清洗机理方面也取得了进展。中国科学家在这个过程中也做出了贡献。介绍了激光清洗原理、特点、源起,对40余年的激光清洗发展做了综述,并介绍了国内近年来激光清洗的研究动态。     

基于显著性检测的星载嵌入式跟踪系统

随着航天科技的不断发展,计算机视觉算法在卫星上的应用方兴未艾,为了实现更多的功能需求和应对可能的威胁,视觉目标跟踪作为其中基础但具有挑战性的任务更是至关重要。然而,目前已有的目标跟踪算法大多数算法只限于对图像序列进行跟踪。另一方面,受到硬件条件制约,很多优秀的算法因为复杂度较高很少被应用到星载嵌入式系统中。这些目标跟踪算法运行时,通常需要人为地给出目标的边界框。为了自动得到边界框,需要目标检测算法对输入图像进行运动目标检测。本文提出了一种基于显著性检测和相关滤波的单目标检测与跟踪一体化算法,并与嵌入式系统相结合,在搭载的TMS320C6678芯片上达到了2 048 pixel×2 048 pixel分辨率下24 fps的帧率。具体地,检测算法负责对图像进行预处理并获得边界框,然后目标跟踪算法给出目标在后续帧中的位置。为了验证算法在实际跟踪中的有效性,本研究搭建了一个由相机、DSP和云台组成的光学平台并进行了实验验证。在该系统中,DSP自动完成检测、跟踪、驱动云台和再检测任务,达到了很好的检测跟踪效果。     

基于OpenCV的视频对象的运动检测

随着信息技术的发展和视频监控系统的普及,视觉监控技术在科学研究、工业生产中得到了越来越多的应用。智能监控系统包括3方面内容：运动检测、运动方向判定和图像跟踪,其中运动检测是重要的基础内容。本文介绍了一种以视频图像为检测源的快速运动的检测方法,与传统的运动检测方法相比较,该方法采用了视频处理技术,通过先进的运动检测算法快速识别运动物体,并能准确、迅速判断出运动物体的运动方向,并予以标注。实验表明该方法是有效的。     

图象目标识别图形的自适应步级检测

建立图象目标识别模型，用形状、灰度和运动特征描述图象目标。基于目标建模，把目标识别、门限及目标图形区域步级检测、虚漏警调节和目标空域条件有机地结合起来，给出牵引式跟踪系统中图象目标识别图形的自适应步级检测算法。该算法用于检测具有识别特征的图象目标图形，并成功地应用到实际的实时跟踪系统中的图象目标识别和跟踪。对实际图象的处理结果和在实时跟踪系统中的实验说明本文研究的技术的有效性和适用性。     

基于双模态特征增强的目标检测算法研究与应用北大核心CSCD

为提升目标检测算法在复杂环境下的精确性和实用性,将多源信息和深度学习技术相结合,提出了一种基于双模态特征增强的目标检测方法。该方法以红外和可见光图像作为输入,利用颜色空间转换、边缘提取、直方图均衡化等传统图像处理方法丰富图像信息,达到数据增强效果;特征提取部分采用卷积神经网络结构分别提取目标红外及可见光信息,并设计混合注意力机制分别从通道和空间位置角度提升有效特征权重;同时,针对目标双模态信息,引入了自适应交叉融合结构,提高特征多样性;最后,利用交替上下采样将目标全局和局部特征充分融合,并以自主选择方式提取目标相关特征实现检测。通过在标准数据集以及实际场景数据集上的实验结果表明,所提方法有效融合并增强了目标多模态特征,提升了目标检测效果,并能较好的应用于电网场景中,辅助机器人完成目标设备检测。     

视频序列客体分布阵集成检测分层技术

视频图像序列按客体分层在很多领域都具有重要的应用，通常，视频图像可分为背景客体和其它目标客体。本文根据场景视频图像序列中不同客体的特性，针对背景客体研究了分布阵集成检测分层技术，采用两级模式识别及多帧加权估计。实验表明该技术具有很好的分层效果，提高了客体分层的可靠性，极大地抑制了噪声。     

A Real-time Scalable Object Detection System using Low-power HOG Accelerator VLSI

As described in this paper, a real-time object detection system using a Histogram of Oriented Gradients (HOG) feature extraction accelerator VLSI is presented. The VLSI [1, 2] enables the system to achieve real-time performance and scalability for multiple object detection under limited power condition. The VLSI employs three techniques: a VLSI-oriented HOG algorithm with early classification in Support Vector Machine (SVM) classification, a dual-core architecture for parallel feature extraction, and a detection-window-size scalable architecture with a reconfigurable MAC array for processing objects of different shapes. The test chip was fabricated using 65 nm CMOS technology. The measurement result shows that the VLSI consumes 43 mW at 42.9 MHz and 1.1 V to process HDTV (1920?×?1080 pixels) at 30 frames per second (fps). A multiple object detection system and a multiple scale object detection system are presented to demonstrate the system flexibility and scalability realized by VLSI and applicability for versatile application of object detection. On the multiple object detection system, a real-time object detection for HDTV resolution video is achieved with 84 mW of power consumption on a task to detect 2 types of targets while keeping comparable detection accuracy as software-based system. On the multiple scale object detection system, a task to detect 5 scales of a target is accomplished using a single VLSI. The power consumption of the VLSI is estimated to 102 mW on the task.     

红外隐身原理及其应用技术

红外隐身技术通过降低或改变目标的红外辐射特征，实现对目标的低可探测性。这可通过改进结构设计和应用红外物理原理来衰减，吸收目标的红外辐射能量，使红外探测设备难以探测到目标，红外隐身技术于20世纪70年代末基本完成了基础研究和先期开发工作，并取得了突破性进展，已由基础理论研究阶段进入实用阶段，从20世纪80年代开始，国外陆海空三军研制的新式武器已经广泛采用了红外隐身技术，首先分析了红外隐身原理，然后研究了红外隐身技术的应用和发展趋势。     

基于计算机视觉的智能监控系统教学平台

本文研究了基于计算机视觉技术的智能监控系统教学实验平台.文章介绍了该实验平台的硬件部分设计和构建,研究了基于该平台的运动目标检测方法和人与非人的识别方法、基于形心的运动目标跟踪方法,尤其研究得到了基于最小二乘法的预测跟踪算法和基于面积变化的预铡跟踪有遮挡运动目标新方法.实验结果表明该平台满足了计算机视觉课程的教学实践需要.     

频域内面向目标检测的领域自适应

近年来,基于深度学习的目标检测技术在机器人、自动驾驶和交通监控等领域有着广泛的应用。然而,由于训练集和测试集样本分布偏差的原因,将现成的预训练检测器应用到实际开放场景时通常会出现明显性能下降。针对该问题提出了一种频域内的领域自适应方法,利用离散余弦变换的频域能量集中特性,通过在频域内对少数重要频率系数进行处理,实现了面向目标检测的领域自适应,降低了对存储和计算资源的要求并减少了领域差异。该方法可以分为两个阶段:第一阶段使用无监督图像转换方式,将源域已标注的训练数据向目标域作转换;第二阶段采用基于对抗的领域自适应方法训练目标检测模型,对转换后的训练数据与目标域内的数据作特征适配。针对不同天气场景的目标识别实验表明:所提的频域内领域自适应方法在4种领域自适应对比算法中排名第一,与仅用源域数据训练的模型相比,mAP值提升了33.9%。     

空间目标色温测量的波段选择

针对某空间目标色温测量技术,提出了一种可用于选择最优波段和提高系统温度分辨力与测温灵敏度的方法。 基于目标不同波长辐亮度的比对,推导了目标单色辐射率之比 与标准黑体波长及色温之间的关系,建立了目标色温测量数学模型,从而巧妙地绕开辐射率对测温工作的不利影响。同时建立了波段优 选评价函数数学模型,并通过分析系统的温度分辨力及测温灵敏度与探测波段之间的关系优选探测波段,提高了色温测量的精度。 基于红外系统进行的波段选择仿真结果表明,在8.0 ～ 8.5 μm范围内,当波段宽度取60 nm时,对温度为200 ～ 300 K的空间目标进行色温测量的温度分辨力最高可达到0.07 K。对不同温度目标的温度分辨力与测温灵敏度分别平 均提高了7.9 %和11.3 %。通过波段优选可以有效提高温度分辨力及测温灵敏度,为空间目标探测与识别装置的 研制提供了技术支持。     

视频动目标标识文本检测与识别技术

描述了一种新的视频动目标标识检测与识别技术，讨论了从视频中自动捕获用于识别动目标的最佳帧、动目标标识的自动搜索、标识字符的单字切分和字符图像的BP神经网络识别。实验显示，该技术运用于车牌自动识别系统能适应不同的天气和光照，有很好的鲁棒性。     

Using Image Processing Methods to Improve the Explosive Detection Accuracy

X-ray scanners are considered one of the best technologies for detecting illicit materials because of their ability to characterize a material at the molecular and atomic levels, and also because of their relatively inexpensive cost. Using X-ray technology, it is possible to determine a material's density and effective atomic number, or Z_eff -related information. In theory, an illicit material can be identified using those two pieces of information. The R-L technology developed at Virginia Tech is the first true multisensing technology for explosive detection. It uses X-ray dual-energy transmission and X-ray scatter technologies to obtain characteristic values of an object; i.e., R and L. The material type of this object can then be determined using the R-L plane. R is related to Z_eff and is obtained from dual-energy transmission signals. L is related to density, and is obtained using transmission and scatter signals. Compared to single-sensing technologies and pseudo-multisensing technologies, R-L technology should provide a much higher level of detection accuracy. However, the R and L values can only be computed from an object's true gray levels, which are defined as the measured gray levels of an object in different sensing modalities when it is not overlapped with any other objects. Because an object in a bag is always overlapped with many other objects, being able to identify the object of interest and remove the overlap effects becomes the key issue in determining the true gray levels of that object. This paper focuses on the development of an image processing system to determine an object's true gray levels in all the sensing modalities used in this work     

一种多模雷达信号分选方法的研究

面对日益复杂的雷达,提高发现概率并降低虚警概率已成为雷达信号分选的关键技术。提出一种基于BFSN聚类分选结合数据融合的新的多模雷达信号分选方法。仿真结果表明,该方法能够克服传统方法在分选多模雷达信号时造成的增批等问题,并能做到实时、准确分选。最后给出一种计算可信度的方法。     

用蒙特卡罗法研究高散射介质中的成像

用蒙特卡罗方法模拟了均匀介质中含有散射系数和吸收系数不同的物体时 ,物体的位置和大小对表面漫射强度时间响应函数的影响 ;在频率域分析了用幅度差和相位差成像时 ,物体位置和大小对成像质量的影响。结果表明相位的探测比幅度的探测灵敏 ,高频探测比低频探测灵敏 ;物体与光源的几何位置影响物体的像质 ,光源与物体共线时成像最灵敏 ,横向位置变化比纵向位置变化影响大 ;物体越大 ,成像效果越好 ,物体小到一定程度时 ,对幅度和相位的影响超出系统的探测能力 ,这决定成像系统的分辨率 ,它是诸多因素的综合     

基于特征排列和空间激活的显著物体检测方法

显著物体检测目前在计算机视觉领域中非常重要,如何处理不同尺度的特征信息成为能否获得优秀预测结果的关键。该文有两个主要贡献,一是提出一种用于显著目标检测的特征排列方法,基于自编码结构的卷积神经网络模型,利用尺度表征的概念将特征图进行分组和重排列,以获得一个更加泛化的显著目标检测模型和更加准确的显著目标预测结果;二是在输出部分利用了双重卷积残差和FReLU激活函数,抓取更全面的像素信息,完成空间信息上的激活。利用两种算法的特点融合作用于模型的学习训练。实验结果表明,将该文算法与主流的显著目标检测算法进行比较,在所有评测指标上都达到了最优的效果。