基于视觉注意机制的棉花污染物机器视觉检测算法

针对棉花中污染物这类大背景中的目标检测,模仿人类视觉注意机制,提出了一种检测算法:在预注意阶段,主相机获取全局图像,利用离散余弦变换和支持向量机提取和识别特征,确定目标所在的感兴趣区域;在注意阶段,对应感兴趣区域的从相机工作,获取该区域的局部图像,利用均值和方差方法识别污染物。实验表明,该算法能去除冗余数据,提高检测精确度。     

SAR图像中海上舰船目标自动检测新方法

针对中分辨率近岸海域SAR图像,结合已有的舰船检测算法,提出了一种新的海上舰船目标自动检测方法。该方法先根据相应的抽取算法和图像数据映射准则,分离图像中的海洋和陆地区域,并结合最大熵分割法提取海洋背景中包含候选目标的感兴趣区域,最后利用特征匹配方法检测出真正的舰船目标。对50多幅SAR图像进行了试验,其结果表明该方法能自动、快速、准确地检测出图像中舰船目标。     

基于异常检测与双层筛选机制的SAR图像舰船检测方法

针对现有合成孔径雷达(SAR)图像舰船目标智能检测算法中筛选误差较大的问题,提出一种新的SAR图像舰船目标检测方法。该方法将高光谱图像异常检测理论引入到SAR图像舰船目标检测处理中。通过图像转换将SAR图像转换成高光谱类型图像,采用异常检测算法实现舰船目标的检测预处理,得到感兴趣区域二值图。运用双层筛选机制,实现背景杂波的准确建模和舰船目标的快速检测。实验结果表明,该算法能够降低筛选误差,有效地消除虚假目标和旁瓣干扰,具有更好的结构保真度。     

基于模糊理论的SAR图像海上舰船检测方法研究

舰船检测是合成孔径雷达图像海洋应用的一个重要部分,针对中分辨率近岸海域SAR图像,提出了一种基于模糊理论的海上舰船检测方法。该方法先利用改进的模糊增强算法对图像进行增强处理,以改变图像灰度的分布特性,从而分离图像中海洋区域和陆地区域,并结合最大熵分割法提取海洋背景中包含候选舰船的感兴趣区域,最后,对ROI区域进行分割,提取舰船的特征,并基于模糊推理技术实现对海上舰船目标的检测。     

基于能量累积与顺序形态滤波的红外小目标检测

针对红外序列图象中弱小目标的检测问题 ,提出了基于能量累积与顺序形态滤波的小目标检测方法 .该方法通过设置一定大小的滑动窗口 ,对窗口内的图象序列进行能量累积 ,以达到去除图象中的随机噪声和提高目标的信噪比的目的 .其目标检测采用由粗到精 3个步骤 ,即首先利用顺序形态滤波抑制背景 ,并通过提取目标广义边缘来实现目标的粗定位 ;然后对可能存在目标的区域进行分割 ,通过提取目标几何特征来完成精确定位 ;最后利用序列图象中目标运动的连续性和轨迹的一致性来筛选出真正的目标 .实验结果表明 ,该方法能有效地抑制背景和能提取目标广义边缘 ,并能通过自适应地选择分割门限来完成红外小目标的定位和检测     

多特征融合红外舰船尾流检测方法研究

针对舰船热尾流红外图像易受海杂波干扰、对比度偏低,传统方式无法对其进行识别的问题,提出一种基于Gabor滤波组和局部信息熵特征融合的红外舰船尾流检测算法。首先,应用灰度共生矩阵计算尾流与海面背景的对比度,判断该区域是否存在舰船尾迹,并提取出感兴趣区域以提高算法后续处理速度;其次,将多方向Gabor滤波器和局部信息熵两种纹理进行特征融合,实现舰船尾流特征增强;最后,经阈值分割、Hough变换实现红外舰船尾迹检测。实验结果表明,该方法能够有效地保留舰船尾流的纹理特征和细节,准确地提取完整的尾流边缘,从而大大提高检测率。     

基于能量累积与顺序形态滤波的经外小目标检测

针对红外序列图象中弱小目标的检测问题，提出了基于能量累积与顺序形态滤波的小目标检测方法，该方法通过设置一定大小的滑动窗口，对窗口内的图象序列进行能量累积，以达到去除图象中的随机噪声和提高目标的信噪比的目的，其目标检测采用由粗到精3个步骤，即首先利用顺序形态滤波抑制背景，并通过提取目标广义边缘来实现目标的粗定位，然后对可能存在目标的区域进行分割，通过提取目标几何特征来完成精确定位；最后利用序列图象中目标运动的连续性和轨迹的一致性来筛选出真正的目标，实验结果表明，该方法能有效地抑制背景和能提取目标广义边缘，并能通过自适应地选择分割门限来完成红外小目标的定位和检测。     

微目标遥感图像的感兴趣区域提取新方法

结合微目标遥感图像的灰度、轮廓、大小等信息特征,提出了一种基于视觉注意的微目标遥感图像感兴趣区域提取方法,首先采用形态学Top-Hat变换强化感兴趣区域和抑制背景,利用开运算实现去除噪声和虚假微目标:然后通过阈值迭代法初步分割出感兴趣区域;最后通过人工交互,结合形态学方法进行感兴趣区域提取,进而运用基于小波变换的多尺度边缘检测算法探测出感兴趣区域的边界.实验结果表明:该方法能快速有效地分割提取出微目标感兴趣区域.     

红外舰船目标的自适应鲁棒检测方法

针对背景杂乱的红外舰船目标检测问题,提出了一种红外舰船目标的自动检测新算法。该方法利用红外舰船图像中目标与背景在灰度直方图上的差异,通过对拟合直方图的多项式曲线参数鲁棒求解,进而求出舰船目标的分割阈值。然后,根据红外舰船目标亮度与图像平均亮度的关系等,对求得的阈值合理性进行判断。若该阈值不合理,则将其作为阈值初值,对红外舰船图像进行自适应局部递归分割。最后,结合红外舰船目标吃水线、天空与背景的边界特征等先验知识,对分割出的背景进行剔除。实验结果表明,该方法对强杂波干扰的红外舰船目标能实现可靠的检测,具有很好的适应性和鲁棒性。     

一种港口区域舰船目标变化检测新方法

基于同一地区不同时相港区遥感图像，在图像感兴趣区域(ROI)目标检测的基础上，研究了一种港区舰船目标变化检测新方法。该方法检测和识别港区舰船目标，比较目标位置变化后，给出了定量分析结果。提出了一种用经纬度计算目标距离的算法，可以克服多幅图像摄取环境、摄取时差等干扰因素的影响；将舰船距离和舰船斜边2个参数综合成斜距，简化舰船目标的变化分析。     

基于加强特征融合的轻量化船舶目标检测

针对基于深度学习的海上船舶目标检测任务中存在检测网络复杂且参数量大、检测实时性差的问题, 提出一种加强特征融合的轻量化YOLOv4算法——MA-YOLOv4. 首先使用MobileNetv3替换主干网络, 引入新的激活函数SiLU并使用深度可分离卷积代替普通3×3卷积降低网络参数量; 其次加入自适应空间特征融合模块加强特征融合; 最后使用MDK-means聚类算法得到适用于船舶目标的锚框, 用Ship7000数据集进行训练和评估. 实验结果表明, 改进算法与YOLOv4相比, 模型参数量降低82%, mAP提高2.57%, FPS提高30帧/s, 能实现对海上船舶的高精度实时检测.     

基于最优误差自校正极限学习机的高频地波雷达RD谱图海面目标检测算法

高频地波雷达(High-frequency surface wave radar, HFSWR)在超视距舰船目标检测跟踪中有广泛应用.然而, HFSWR工作频段的电磁环境十分复杂, 舰船目标信号往往被淹没在各种噪声中.本文提出一种基于最优误差自校正极限学习机(Optimized error self-adjustment extreme learning machine, OES-ELM)的HFSWR海面目标识别算法.该算法利用二级级联分类策略, 可以显著提高目标的检测效率.首先利用灰度特征和线性分类器快速找出目标的潜在区域.然后利用Haar-like特征和OES-ELM分类器进一步辨识目标和海杂波.在OES-ELM中, 首先利用$L_{1/2}$正则算子裁剪隐层中的"微弱"神经元, 以得到隐层神经元的最优个数; 其次, 通过网络误差回传至隐含层使网络的隐层权值和输出层权值迭代更新至最优状态.实验结果表明:和标准ELM相比, 提出的OES-ELM网络具有更好的性能; 此外, 基于OES-ELM的HFSWR目标检测方法具有良好的实时性和目标检测性能.     

基于计算机视觉高速智能车辆的道路识别

论文研究了基于计算机视觉高速智能车辆的道路识别。通过对JLUIV-4智能高速车辆系统采集的图像进行中值滤波、边缘增强、最优阈值二值化,获得良好的梯度图像。根据道路特征采用Hough变换识别出道路边界。使用感兴趣区域,减少图像处理时间和提高道路识别的可靠性。JLUIV-4的高速导航实验表明,该算法具有良好的实时性、可靠性和鲁棒性。     

一种基于视觉注意的小目标检测方法

为了方便而快速地在图像中标出目标,提出了一种基于视觉注意的小目标检测方法。该方法对Itti通用视觉注意计算模型作了改进,将目标检测过程分为亮目标检测和暗目标检测。其中亮目标检测采用了简化的Itti模型,暗目标检测主要采用侧抑制网络模型,将亮目标检测与暗目标检测各自生成的显著图合成得到最终的显著图。通过设定一阈值得到图像的预注意区域,采用模糊C-均值算法进行图像分割,以便相对完整地标出每个目标。结果表明,算法能够有效地检测待检测目标。     

一种基于注意力机制的小目标检测深度学习模型

小目标检测用来识别图像中小像素尺寸目标。传统目标识别算法泛化性差,而通用的深度卷积神经网络算法容易丢失小目标的特征,对小目标识别的效果不甚理想。针对以上问题,提出了一种基于注意力机制的小目标检测深度学习模型AM-R-CNN,该模型在ResNet101主干网络和候选区域生成网络中使用了通道域注意力和空间域注意力,通道域注意力模块实现了通道维度上的特征加权标定,空间域注意力模块实现了空间维度上的特征聚焦,从而提升了小目标的捕获效果。此外,模型使用数据增强技术和多尺度特征融合技术,保证了小目标特征提取的有效性。在遥感影像数据集上的识别船只实验表明,注意力模块可带来小目标检测的性能提升。     

基于弱特征增强的轻量化小目标检测方法

针对复杂背景下小目标特征经多次卷积被背景噪声淹没导致的检测精度低的问题,提出一种增强弱特征表达的一阶段轻量级小目标检测算法SA-YOLO.首先,用改进的ShuffleNetv2网络构建骨干网络,通过嵌入SE注意力模块和Inception结构,提升网络在复杂背景下的特征提取能力,有效地抑制背景噪声,充分提取弱特征;其次,在颈部网络,采用新的特征融合模块,以含有弱特征较多的低层级特征块的空间位置信息对高层级特征进行权重调整,提高不同层级的特征融合利用率,减少小目标的特征损失;最后,在头部网络,用解耦的检测头替换原YOLO耦合的检测头,解耦分类任务和回归任务,提高弱特征的解码能力,增强小目标检测的性能.在公开数据集COCO2017上进行实验,结果表明,SA-YOLO参数量仅有1.14M,小目标平均检测召回率$\rm AR_S$达到31.6%.同时,将所提出算法与近几年主流算法进行对比,结果表明,所提出算法在小目标检测方面具有较强的竞争力.     

Infrared ship target segmentation through integration of multiple feature maps

We investigate the issue of ship target segmentation in infrared (IR) images, and propose an efficient method based on feature map integration. It consists of mainly two procedures: salient region detection based on multiple feature map integration and salient region segmentation based on locally adaptive thresholding. Firstly, a saliency map is constructed by integrating multiple features of IR ship targets, including gray level intensity, local contrast, salient linear structures, and edge strength. Secondly, we propose an adaptive thresholding method to segment each local salient region, and a target selection procedure based on shape features is used to remove background and obtain the true target. Experimental results show that the proposed method performs well for IR ship target segmentation. The advantage of the proposed method is demonstrated in both visual and quantitative comparisons, especially for IR images with a bright background or a ship target close to port.     

改进YOLOv5的SAR图像舰船目标检测

近年来针对合成孔径雷达（synthetic aperture radar,SAR）图像中缺乏颜色和纹理细节的舰船检测技术在深度学习领域中得到了广泛研究,利用深度学习技术可以有效避免传统的复杂特征设计,并且检测精度得到极大改善。针对舰船目标检测框具有高长宽比和密集排列问题,提出一种基于改进YOLOv5的目标检测方法。该方法针对舰船目标检测框特点将检测框长宽作为参数进行综合考虑并对损失函数进行曲线优化,并结合坐标注意力机制（coordinate attention,CA）,在模型轻量化的同时实现对舰船目标检测的高速与高精度并存。实验结果表明：相比原YOLOv5方法,该方法的检测精度由原来的92.3%提升到96.7%,mAP（mean average precision）指标由原来的92.5%提升到97.2%,明显优于对比方法。通过改进检测框损失函数和特征提取方式,提高对SAR图像中舰船目标的检测效果。     

Faster-RCNN电力输送塔检测算法

提出了一种基于Faster-RCNN改进的目标检测算法。利用局部旋转和基于参考白算法,对多角度拍摄的无人机遥感影像进行预处理,以减少图片噪声和修改图片光照、色彩偏差;借助图像特征标注法,进一步加强图像中待检测物体关键性特征的利用率。最后,通过区域生成网络(RPN)的最小尺寸自适应和非极大值抑制阈值适应修改能力,解决大型目标局部被当作完整目标检测的问题,实现目标物体的正确检测。结果表明,相对Faster-RCNN算法,检测精度上提高了7.64%。     

基于改进Faster R-CNN的SAR船舶目标检测方法

合成孔径雷达（Synthetic Aperture Radar, SAR）船舶检测在海洋交通监控中发挥着重要作用,传统SAR目标检测算法一般利用目标与背景杂波之间的对比度差异进行检测,在近岸海域等复杂场景下检测效果较差。为了提高在复杂场景下的检测性能,本文提出一种基于改进Faster R-CNN的船舶检测方法,在分析不同特征分辨率对检测性能影响的基础上,结合VGG的思想与扩张卷积设计一个适用于SAR船舶目标检测的特征提取网络,以提升对小型船舶目标的检测能力。另外,根据sentinel-1A数据集中目标尺寸分布选取小尺寸anchor,并通过去除冗余anchor,将检测速度提升了一倍。在sentinel-1A数据集上的实验证明本文提出的算法能够快速、有效地从复杂场景SAR图像中检测出船舶目标。