自适应序贯M估计算法及其性能分析

针对复杂噪声环境下的参数估计问题,提出了一种稳健的自适应序贯M估计算法(Adaptive Recursive M-Estimation,ARME),并从理论分析和Monte Carlo实验仿真两方面分析了该算法的收敛性、渐进无偏特性和稳健性.理论分析和仿真试验表明:在高斯白噪声背景下,ARME具有与序贯最小二乘算法(Recursive Least Square,RLS)相近的性能;在有突出干扰等非高斯噪声背景下,与RLS相比,ARME的参数估计收敛速度更快,估计误差更小,而且在稳健性上大大优于RLS.     

可见光图像背景灰度特性:双高斯混合分布模型

针对可见光图像背景起伏的灰度分布特性,提出了双高斯混合分布模型(Two univariate Gauss Mixturedensities Model,简记为TGMM)的描述方法.对实测可见光背景图像分析表明图像灰度仅仅占有少数的灰度级别,并且绝大多数都处于低灰度区;图像灰度集中在μ±2σ以内,并且具有"双峰"特征;灰度直方图上左边的峰对应着天空、星云等背景部分,右边的峰对应着众多的高亮恒星和幅度较大的系统噪声.进一步的,从理论上说明了"双峰"的形成原因,并且提出了TGMM描述方法,给出了基于EM算法的模型参数估计方法.数值结果证实了TGMM的合理性.     

短时记忆与CenterTrack的车辆多目标跟踪

目的 车辆多目标跟踪是智能交通领域关键技术,其性能对车辆轨迹分析和异常行为鉴别有显著影响。然而,车辆多目标跟踪常受外部光照、道路环境因素影响,车辆远近尺度变化以及相互遮挡等干扰,导致远处车辆漏检或车辆身份切换（ID switch,IDs）问题。本文提出短时记忆与CenterTrack的车辆多目标跟踪,提升车辆多目标跟踪准确度（multiple object tracking accuracy,MOTA）,改善算法的适应性。方法 利用小样本扩增增加远处小目标车辆训练样本数;通过增加的样本重新训练CenterTrack确定车辆位置及车辆在相邻帧之间的中心位移量;当待关联轨迹与检测目标匹配失败时通过轨迹运动信息预测将来的位置;利用短时记忆将待关联轨迹按丢失时间长短分级与待匹配检测关联以减少跟踪车辆IDs。结果 在交通监控车辆多目标跟踪数据集UA-DETRAC （University at Albany detection and tracking）构建的5个测试序列数据中,本文方法在维持CenterTrack优势的同时,对其表现不佳的场景获得近30%的提升,与YOLOv4-DeepSort（you only look once—simple online and realtime tracking with deep association metric）相比,4种场景均获得近10%的提升,效果显著。Sherbrooke数据集的测试结果,本文方法同样获得了性能提升。结论 本文扩增了远处小目标车辆训练样本,缓解了远处小目标与近处大目标存在的样本不均衡,提高了算法对远处小目标车辆的检测能力,同时短时记忆维持关联失败的轨迹运动信息并分级匹配检测目标,降低了算法对跟踪车辆的IDs,综合提高了MOTA。     

基于深度学习的视觉多目标跟踪算法综述

视觉多目标跟踪是计算机视觉领域的热点问题,然而,场景中目标数量的不确定、目标之间的相互遮挡、目标特征区分度不高等多种难题导致了视觉多目标跟踪现实应用进展缓慢。近年来,随着视觉智能处理研究的不断深入,涌现出多种多样的深度学习类视觉多目标跟踪算法。在分析了视觉多目标跟踪面临的挑战和难点基础上,将算法分为基于检测跟踪（Detection-Based-Tracking,DBT）、联合检测跟踪（Joint-Detection-Tracking,JDT）两大类及六个子类,研究不同类别算法的优缺点。分析表明,DBT类算法结构简单,但算法各子环节的关联度不高,JDT类算法融合多模块联合学习,在多项跟踪评价指标中占优。DBT类算法中特征提取模块是解决目标遮挡问题的关键,但损失了算法速度,JDT类算法对检测模块更为依赖。目前,多目标跟踪跟踪总体是从DBT类算法向JDT发展,分阶段实现算法准确度与速度的均衡;提出多目标跟踪算法未来在数据集、各子模块、具体场景应用等方面的发展方向。     

基于自适应滤波的单像素宽形态学边缘检测

为了进一步提高边缘检测算法的抗噪性和定位精度,提出了一种基于自适应滤波的单像素宽形态学边缘检测算法。首先,分别对图像进行中值滤波和加权均值滤波,并通过自适应调整中值滤波结果和加权均值滤波结果所占的权重抑制脉冲噪声和高斯噪声。然后根据不同取向的结构元素可以有效地检测出不同走向的边缘细节这一特性,定义了一种具有方向估计的形态学梯度,并利用其检测图像的边缘,最后沿梯度方向进行非极大值抑制以获取单像素宽边缘。实验结果表明,本文算法不仅能够准确地检测图像边缘,而且具有较好的抗噪性能,处理速度也较快。      

基于虚拟阵列空间平滑的相干信号DOA估计

 针对相干共轭循环平稳信号的DOA估计问题,提出了一种基于虚拟阵列前后向空间平滑的方法。该方法利用特定阵元输出间共轭循环相关函数的多时延采样,构造出与真实线阵阵元具有一一对应关系的虚拟阵列,并将空间平滑技术应用于该虚拟阵列实现了相干信号DOA估计。理论分析和仿真结果均表明,与FBSS-CCMUSIC算法和CCHAM算法相比,本文方法避免了最优时延选择问题,并获得了更高的DOA估计精度,同时,对信号不同入射方向也具有较好的稳健性。此外,该方法也可推广用于具有循环平稳特性的信号。     

基于Zernike-Facet模型和总体最小二乘的弱小目标检测

弱小目标一般是图像局部区域的极值点。针对这个特点,依据二元三次函数的极值理论,该文提出了一种新的弱小目标候选点的检测方法。发展了一种新的图像局部灰度拟合模型,即Zernike-facet模型,模型参数的求解采用比最小二乘(LS)抗噪能力更强的总体最小二乘(TLS)算法。新检测方法通过Zernike-facet模型和TLS对原始图像中每一个像素的局部区域进行曲面拟合,然后在拟合曲面上提取极值点作为目标候选点。仿真表明,新方法在抑制噪声上优于其他常用方法。可见光/红外图像小目标检测实验也证实了新方法的有效性。     

基于加权Hu矩和HOG特征的自适应融合人体行为识别新方法

针对HOG在强噪条件下以及加权Hu矩在弱噪条件下识别性能较差的情况,通过最小二乘拟合估计加权系数与噪声参数之间的映射关系,自适应调整融合参数达到将加权Hu矩和HOG特征融合的目的。实验证明,基于加权Hu矩和HOG的特征识别对噪声的容忍度更好,适用范围更广,识别率更稳定。     

基于小波的多传感器空间目标数据融合算法

在多传感器系统中,本文提出一种基于小波变换的数据融合算法,用于对空间目标的轨道参数进行精确预测。仿真实验表明,该算法适用于空间目标轨道参数等快时变数据,估计得到的轨道参数均方差,优于各个传感器的理论均方差,同时也小于LMS算法获得的均方差。     

抗噪型Sobel边缘检测算法及其硬件加速设计

根据序列图像实时边缘检测应用需求,提出一种抗噪型Sobel边缘检测算法,并对其进行硬件加速设计。用分离中值滤波代替二维中值滤波,改进梯度幅值和方向计算优化算法结构。通过采用改进分离中值滤波硬件结构、缓存中间数据以避免重复计算、并行计算梯度幅值和方向等措施提高算法实时性,减少硬件资源消耗。ModelSim仿真结果和ISE综合报告显示,该硬件加速设计使得处理速度较快,硬件资源消耗较少,且该算法具有较好的抗噪性和边缘检测特性。