局部遮挡下的目标识别算法

规格化互相关算法是用得较普遍的目标识别方法,但是当目标区域被局部遮挡时,该方法通常不能正确定位目标.提出了一种新的基于选择互相关系数的目标识别算法用于搜索有局部遮挡的目标区域.算法分两步进行:用增量互相关算法计算出模板图和场景图的增量图像,比较二者增量图像的一致性,计算出选择互相关系数矩阵;结合选择互相关系数矩阵,用规格化互相关算法在场景图中搜索目标区域.当场景图存在较严重的噪声时,可对选择互相关系数矩阵进行修正以克服噪声的影响.实验结果表明,基于选择互相关系数的目标识别算法对局部遮挡和高亮度变化情况有较强的鲁棒性.     

基于EPF最大互相关配准的机械臂目标识别方法

针对工业机械臂在复杂背景下多目标并存识别问题,提出一种基于边缘势场函数最大互相关匹配算法。该算法引入边缘势场函数(edge potential function,EPF)理论计算目标图边缘点的势场函数,有效地利用了复杂结构中单边缘点的联合效用,并在特征点变换模型约束下采用最大互相关相似性度量完成同名控制点的建立与目标配准定位。仿真实验表明,该算法对因成像条件引起噪声旋转的复杂背景图像识别效果良好,精准度高于传统相关匹配算法。     

基于快速归一化互相关函数的运动车辆阴影检测算法

视频检测是智能交通系统中一种重要的检测手段，但是运动车辆阴影的存在严重影响了检测效果。为了减少阴影对检测系统中交通参数计算的影响，采用了一种快速归一化的互相关函数(FNCC)直接对灰度视频图像检测运动阴影。通过引入三个加总表(sum-table)和设定阴影检测区使传统归一化互相关函数（NCC）算法的复杂度大大降低。实验表明该算法可以实时有效地检测出运动车辆的阴影。     

基于互相关注意力的链式帧处理多目标跟踪算法

多目标跟踪的一阶段方法因其在推理速度方面的优势逐渐成为主流。然而，与两阶段方法相比，其跟踪精度较差。一方面是因为采用单幅图像输入，目标间的关联性不强，容易导致目标丢失，另一方面忽视了检测和跟踪两个任务之间的差异性。为了减轻上述限制，提出了一种基于互相关注意力的链式帧处理多目标跟踪算法(MOT-CCC)。MOT-CCC将连续的两帧图片作为输入，将目标关联问题转化为两帧检测框对回归的问题，增强了目标间的关联性；采用互相关注意力模块将检测任务和身份识别任务解耦，以平衡并减少这两个任务之间的竞争。此外，所提算法将目标检测、特征提取和数据关联3个模块融合到一个网络中，实现了端到端的优化，提高了跟踪准确性，减少了跟踪耗时。在MOT16和MOT17基准测试中，MOT-CCC比原有的基准CTracker算法的MOTA提高了1.3%,FP减少了13%。     

一种用Hough变换检测圆的快速算法*

为了克服传统Hough变换检测圆时耗时巨大的缺陷,给出了一种新的基于Hough变换检测圆的快速算法.新算法与传统的方法相比具有以下特点:计算量少,提高了检测的速度;保留了传统Hough变换识别率高、抗噪性强、对不完整边缘具有鲁棒性等所有优点;不需要任何特殊的限定条件.实验表明,新的快速算法可以快速进行目标识别,在实时目标识别系统中具有良好的表现.     

微弱运动目标的检测与跟踪识别算法研究

在运动目标检测问题的研究中,针对图像处理中微弱运动目标检测与跟踪识别技术的特点,在简单分析了微弱运动目标检测跟踪的技术难点的基础上,重点对微弱运动目标的检测与跟踪算法展开了研究,为了对弱信号提高检测精度,采用图像预处理、目标特征的选取和目标跟踪三个步骤设计,对微弱运动目标在强噪声背景下的图像检测与跟踪识别算法,用给出具体的改进算法,通过仿真测试结果表明,算法具有较好的目标识别与检测效果,对于进一步提高微弱运行目标的图像检测的研究水平具有一定的借鉴意义。     

基于拉普拉斯算子的模糊图片批量检测算法设计

为了解决在日常生活中，对同一运动目标进行快速多次拍摄后，难以逐一挑选模糊图片的问题，特提出了一种基于拉普拉斯算法的模糊图片批量检测算法设计。该算法基于OpenCV库进行开发，运用Python语言逻辑建立算法结构并验证及最终实现设计。经实际运行效果表明，该算法设计对模糊图片的识别速度快、判别准确，具有一定的实际应用能力和使用价值。     

基于卷积神经网络的目标识别算法研究

随着时代的快速发展,对于监控视频处理,传统人工处理方式已不能满足社会实际发展需求。智能监控依靠目标检测实现监控,目标识别成为计算机视觉领域的重要研究方向,主要从图像或者视频中检测某一类别的目标。基于此,分析卷积神经网络目标识别算法,研究目标检测算法存在的问题,并提出相应对策,有效提高检测算法的有效性和精确度,从而推动智能视频监控的快速发展和广泛应用。     

基于小波变换和快速聚类方法的目标检测与识别

针对显微图像中的微目标检测与识别,提出了一类基于三次B样条函数多尺度小波变换,该变换通过零交叉或模极值检测图像的边缘,在分解和重建时采用一种基于滤波器系数特征的离散快速算法。为除去由噪声引起的虚假边缘,建立了边缘点检测的自适应阈值方法。为实现微目标的识别,采用了一类简单有效的快速聚类算法。最后采用含随机噪声的模拟图像和显微图像进行算法比较与验证,实验结果证明了这些算法的有效性。     

LTE中小区搜索的关键过程及其算法研究

该文着重对于小区搜索中的主同步信道和辅同步信道检测进行了讨论研究。它不仅描述了主同步信号的主要结构,还重点讨论了用互相关法进行符号定时、扇区ID识别、载波频率粗同步以及循环前缀类型检测的算法,而且为了提高精度,还使用基于循环前缀的最大似然估计法进行载波频率细同步。该文同样描述了辅同步信号的主要结构,讨论了使用互相关法进行帧同步和小区组ID识别的算法。仿真结果表明,算法性能与预期一致,能较好的适应长期演进系统对于小区初始搜索的要求。     

基于多特征和尺度估计的KCF_MTSA算法

多模板尺度自适应核相关滤波器（KCF_MTSA）跟踪算法在目标移动模糊、旋转和尺度变化时跟踪距离精度与成功率较低。针对该问题,提出一种结合多特征和尺度估计的改进KCF_MTSA目标跟踪算法。采用方向梯度直方图和颜色名两种特征对目标进行表征,在训练阶段分别使用多模板核相关滤波器对上述特征进行训练,同时在检测阶段将两个滤波器的响应以权重形式进行自适应融合获取响应图实现目标定位,并使用一维相关滤波器进行目标尺度估计。实验结果表明,该算法的跟踪距离精度和准确率较改进前KCF_MTSA算法有明显提升,其距离精度和准确率分别提高15.8%和28.5%。     

融合稀疏重构图像显著性的相关滤波跟踪

针对相关滤波跟踪中目标在剧烈形变时会发生滤波模板漂移,以及在复杂场景中目标跟踪鲁棒性较差的问题,提出一种融合稀疏重构图像显著性的相关滤波跟踪算法。在跟踪过程中,通过超像素分割提取背景模板来稀疏重构目标颜色相关,构建目标颜色模型得到跟踪检测分数,将该检测分数与相关滤波检测分数进行融合,根据融合响应,利用峰值旁瓣比调整模板更新速度来解决遮挡下的更新策略问题,同时利用中心先验图对存在误差的稀疏重构图进行修正,使得该目标跟踪框架能适应形变、光照等复杂变化。实验表明,该算法在准确性和鲁棒性方面要优于其他算法。     

基于LOG算子的小信息量图像匹配算法

为了提高远距离图像导航精度,解决小信息量、小模板及噪声条件下图像匹配的难点,针对传统相位相关的图像匹配算法对图像高频信息利用不足、匹配精度受模板尺寸影响及抗噪声干扰性能差的缺点,提出了基于改进LOG边缘检测算子的图像匹配新算法,采用新的LOG算子对参考图像和模板进行边缘检测,并利用相位相关在整幅图像内对模板进行配准。通过实拍图像对新算法进行了验证,实验结果表明,与传统图像匹配算法相比,新算法匹配精度高、抗噪声能力强,目标定位稳定、可靠。     

基于位置修正机制和模型更新策略的跟踪算法

为了实现目标跟踪算法在无人机应用中的高实时性和高成功率,针对目标遮挡和目标形变量大导致的跟踪丢失问题,提出了一种基于相关滤波的改进算法,算法包含自适应位置修正机制和模型更新策略.该算法提取目标区域的方向梯度直方图特征(HOG)训练滤波器,预测下一帧的目标位置.当预测位置不满足高置信度条件时,融合颜色命名特征(CN)对位置进行修正.为了提高算法的运行效率,对融合后的特征进行主成分分析(PCA)降维处理.利用平均峰值相关能量、多峰检测及最大响应值进行模型更新.实验中将改进算法与近年来的优秀算法进行对比.结果表明,所提算法在目标被遮挡和形变量大的场景中,跟踪精度更高.     

基于实例与目标相关性的多目标稀疏回归算法

针对传统多目标回归算法无法处理输入与多输出间的非线性关系,且忽视了数据点在输入与输出之间的结构信息,导致算法泛化性能受限、缺乏稳健性等问题,提出一种基于实例与目标相关性的多目标稀疏回归(multi-target sparse regression with instances and targets correlations,MTR-ITC)算法.首先,通过嵌入潜变量空间来对复杂的输入与输出以及输出间的关联结构解耦,并利用核技巧和稀疏回归学习输入输出间的非线性关系和输出间的相关结构;然后,引入流形正则化项探索不同实例在输入与输出变量间的相关性,确保模型输出与真实结果在局部和全局结构的一致性,以提升模型泛化性能;最后,提出一种交替优化算法来对目标函数进行求解,使其能快速收敛至全局最优.在基准测试数据集上的实验表明,所提算法在不同MTR数据集上均具有较好的测试性能.     

基于角点角度特征串的RSI多目标识别

轮廓角点检测与特征构造是基于轮廓角点的RSI多目标识别算法的关键。针对现有的轮廓角点检测方法在准确性与抗噪能力的不足,提出一种改进的轮廓角点检测算法,构造一种基于目标主轴与轮廓角点的特征串,利用动态规划算法计算特征串间的相似度进行目标识别。算法中把目标主轴的旋转角度作为目标的姿态角。实验证明该算法能够快速地识别出目标的旋转角度,对目标进行分类,且具有平移不变性、旋转不变性、尺度不变性以及较好的抗噪能力。     

判别相关分析双注意力机制的目标检测算法

针对两阶段目标检测算法中模型存在目标识别率低、部分小目标物漏检等问题,提出了一种基于判别相关分析的双注意力机制的目标检测算法。该算法通过改进Faster R-CNN主干网络,引入判别相关分析技术最大化两个特征集中对应特征的相关关系,同时最大化不同类之间的差异,来保证信息间的交互,有效缓解常规特征融合方式存在的特征提取能力不足问题。同时,结合残差结构构建残差双注意力机制,进行深层次的特征提取,来弥补深度CNN后高分辨率信息弱化问题,采用混合卷积层的设计在扩大感受野的同时又减少了信息损失,最大限度地保证了网络的特征提取性能。采用PASCAL VOC2007、KITTI以及Portrait三类数据集对网络进行训练,并将提出的算法模型与多个经典目标检测算法进行对比。实验结果表明,提出的算法具有较高的检测精度。     

基于LCT+的自适应抗遮挡目标跟踪算法

在目标跟踪过程中,目标遮挡往往会造成跟踪器的性能下降,从而导致目标丢失。针对这一问题,提出一种基于LCT+核相关滤波的自适应抗遮挡目标跟踪算法。该算法在LCT+核相关滤波算法的基础上进行改进,利用双跟踪器自适应对目标进行跟踪,即根据两个跟踪器的输出响应值大小选择最优跟踪器跟踪目标;利用支持向量机自适应重新检测目标,即根据目标丢失帧的数量自适应调整检测框范围的大小;最后采用颜色直方图匹配的方法进一步验证预测的目标。相比原算法,所提算法采取双跟踪器自适应跟踪机制和支持向量机自适应重检测机制,有效避免了目标跟丢。在OTB50和OTB100两个大型基准数据集上对算法进行验证,结果表明该算法在距离精度和成功率的评估指标上都优于一些主流算法,并且在抗遮挡方面具有较高的精度和较强的鲁棒性。     

结合帧差法的尺度自适应核相关滤波跟踪

为处理复杂应用场景下核相关滤波器跟踪效果不理想的问题,提出了一种结合帧差法的尺度自适应核相关滤波跟踪算法。在训练得到相关滤波器后,借助帧差法来处理下一帧图像,获得目标的预测位置,扩充算法的检测区域;然后通过尺度池构建多尺度待检测图像块集,通过相关滤波器来求得最大响应,估计出目标的最佳位置和最佳尺度;最后利用平均峰值相关能量(average peak-to correlation energy,APCE)作为跟踪置信度指标,引入高置信度更新机制,在目标被遮挡时,停止更新模型,防止误差被积累,提高正确率。在OTB100数据集上与若干视觉跟踪算法进行了对比实验,改进算法的成功率和距离精度均表现最优,比KCF算法高出21.7个百分点和12.0个百分点。该算法在目标快速运动、尺度变化、遮挡等复杂场景下,均具有较强的精确性和鲁棒性。     

基于MMPHDF的多机动目标联合检测、跟踪与分类算法

针对场景中存在新目标出现、旧目标消失(即目标数目变化)和密集杂波的复杂情形,利用多模型概率假设密度滤波器(MMPHDF)在多机动目标联合检测与跟踪上的优势,加入类别辅助信息,提出了一种多机动目标联合检测、跟踪与分类算法.该算法的基本思想是在MMPHDF中用属性向量扩展单目标状态向量,用位置和属性的组合测量似然函数代替单目标位置及杂波位置测量似然函数,提高了不同类目标与杂波测量间的鉴别能力,从而改善了目标数目及状态的估计精度;在更新目标状态后,对目标属性信息进行更新,更为精确的目标数目及状态估计又保证了目标分类性能.本文给出了该算法的粒子实现方法.仿真结果验证了上述结论.