基于最小费用流建模的目标跟踪器研究与仿真

针对目标跟踪中的物体遮挡、光照影响、杂波扰动等问题,设计一种基于最小费用流建模的跟踪器.该跟踪器把整数规划与最小费用流模型相结合,将目标跟踪问题转变为可解的线性规划问题.与其他同类型跟踪器相比,该跟踪器具有更好的跟踪准确性.实验结果表明:运用最小费用流模型的跟踪器可以对复杂环境下的多个目标进行稳定跟踪,提升了跟踪的鲁棒性.      

基于UNet++的煤岩显微图像组分分析

针对解决煤岩显微图像组分分析过程中,利用图像分割方法遇到的精度较低问题。论文提出了一种基于UNet++模型的图像分割方法。该方法首先将已标记的煤岩显微图像与基于Lovász-Softmax的分割损失相结合,实现对UNet++模型进行训练。再利用训练后的模型对煤岩显微图像按照组分类别进行分割标记。最后,对标记区域进行占比计算,完成煤岩显微图像组分的分析过程。实验结果表明,与K-means算法以及使用交叉熵训练的UNet++模型相比,论文所提算法更关注于各组分的纹理信息差异,且受图像中组分占比不均问题影响较小,对煤岩显微图像组分分割更准确。     

基于改进灰狼优化的红外与可见光图像融合

将图像融合运用于检测与跟踪领域需要融合图像显示清晰的目标,传统的优化类融合算法存在目标信息不完整的问题,对此本文提出一种基于改进灰狼优化(Gray Wolf Optimization,GWO)结合边缘特征的图像融合方法。将图像分解为细节层与粗糙层后,对细节图像使用优化权重进行融合,再融合细节层与粗糙层,最后执行对比度有限自适应直方图均衡增强融合图像。其中优化权重通过改进的灰狼优化获得,通过融合边缘信息获得权重取值范围,并且对灰狼优化引入交叉操作改进优化效果。实验对比图像全局与目标局部的标准差、信息熵、平均梯度、空间频率,本文方法的性能在目标局部熵、标准差上大大优于其他方法,在全局指标上也有很好的表现。     

基于边缘多通道梯度模型的多运动目标检测

针对视频序列运动目标检测易受环境噪声干扰、提取目标轮廓困难的问题,提出了一种基于边缘多通道梯度改进模型的多运动目标检测算法。首先,利用Canny算子获取视频序列中目标的边缘信息,并根据人类视觉色彩的恒常特性,对目标边缘建立时间、空间、颜色多通道梯度模型;然后,利用该模型获取目标边缘像素点的运动状态描述信息,实现背景边缘和运动物体边缘的分离;最后,将间断边缘像素点与其邻域点的运动状态相关联,以连接目标间断边缘,实现运动目标轮廓的提取,并将连接后的轮廓进行形态学处理以分割出目标。实验结果表明,与同类型算法相比,本算法在运动目标检测中具有的实时性、准确性和鲁棒性更好。     

基于NSCT和最小化-局部平均梯度的图像融合

针对传统红外图像与可见光图像融合存在对比度低、细节丢失、目标模糊等问题,本文基于非下采样轮廓波变换(Non-subsampled Contourlet Transform,NSCT)的思想,通过改进权重函数和融合规则,建立新的融合算法实现红外图像和可见光图像的有效融合.首先,通过NSCT变换对红外和可见光图像进行多尺度...     

基于关键点检测和关联的多目标跟踪

针对多目标跟踪领域中由目标信息关联性低引起的目标身份关联性差的问题，提出了一种基于关键点检测和关联的多目标跟踪算法。对目标的中心关键点建模，利用CenterNet对该点进行检测定位；将目标的深度特征与关键点尺度特征相结合，基于二者观测的显隐性关系构建一个联合特征提取器；将该联合特征作为目标的状态，通过隐马尔可夫模型估计下一帧的目标状态；利用目标的运动信息和关键点尺度信息提出“二级关联”的匹配机制，实现对该估计状态与检测目标的关联，得到最优的关联匹配结果。在公开的MOT17数据集上进行了仿真实验，并与一些主流算法进行了对比，结果表明，该算法在跟踪准确度指标表现较优，并对身份互换问题有较好的鲁棒性。     

孪生神经网络交通标志编码识别算法

交通标志识别技术正在被逐步应用到汽车辅助驾驶领域。但是，遮挡、污损、天气环境变化等因素会严重影响交通标志识别的准确性和稳定性。针对该问题，提出了一种基于孪生神经网络的交通标志编码识别模型。该模型将交通标志的识别问题视为交通标志的卷积特征编码识别问题。通过卷积神经网络对交通标志训练样本和基准样本进行特征提取与编码。再利用孪生神经网络进行编码对比，结合对比损失函数对编码器训练调整。通过全连接层对输入通路的标志卷积编码进行重新组合与分类，从而实现交通标识的识别。实验结果表明，所提的基于改进孪生神经网络的编码器模型对存在运动模糊与遮挡的标志图像能生成有效、鲁棒的特征编码，相较于其他先进算法，具有更高的识别准确率。