低对比度环境下运动目标光学相关检测技术

在用光电混合联合变换相关器对运动目标进行检测的过程中,为了在提高运算速度的前提下解决运动目标在低对比度环境中所导致的低识别率问题,提出一种基于提升小波的边缘检测算法,该算法能在将目标边缘准确地从低对比度环境中提取的同时,将传统小波变换的计算量减少一倍,显著提高运算速度,满足运动目标检测在处理速度上的需求。将该算法应用于光学相关检测,并结合瞬态模板方法可改善目标的识别率,提高在低对比度环境下运动目标检测的效率。对大量具有低对比度特点的运动序列进行光学相关实验,验证了算法对低对比度环境下运动目标检测的可行性。     

融合多层级特征的遥感图像地面弱小目标检测

为解决遥感图像地面弱小目标检测中弱小目标信息量少、信息真假混杂的难题,本文提出一种融合多层级特征的遥感图像地面弱小目标检测算法CC-YOLO。该算法首先利用深度卷积神经网络逐级对目标图像进行特征提取,得到高低层特征空间金字塔图;然后,对空间金字塔图进行跨层级通道特征融合,结合新增的位置注意力机制CA,分别沿两个空间方向聚合特征,保留弱小目标精确的位置信息;最后,在聚合后生成的双支路特征图上进行端到端的目标检测,联合多通道检测信息输出检测结果。为解决算法实验中图像数据匮乏的问题,构建了遥感图像地面弱小目标数据集GDSTD。实验结果表明,算法AP_0.5∶0.95达到42.3%,AP_0.5达到94.6%,检测速率FPS达到58.8帧/s,具有一定的鲁棒性和实时性。     

改进多尺度特征融合的工业现场目标检测算法

为了提高工业现场等复杂场景下的小目标检测的准确率,降低工业现场的安全事故发生率,基于 YOLOv3 提出了一种改进多尺度特征融合方法。该方法增加了Inception _ shortcut 模块,优化网络的输出宽度,使用工业现场的监控视频作为数据集以及利用 k-means 算法对检测目标重新聚类,引入了 PANet 多尺度特征融合结构,精简了 YOLOv3 的网络检测输出层。在创建工业现场安全帽、安全绳数据集 FHPD 、FSRPD 以及 PASCAL VOC2007 数据集上的实验结果表明,改进算法的 mAP 比原始 YOLOv3 提高了许多。改进的多尺度特征网络融合增加了参数,但检测速度仍满足算法的实时性要求。     

探测海洋目标的光学遥感器工作波段选择

在遥感器的研制任务中,工作波段的选择对于目标探测和识别至关重要。针对海洋目标探测这种从大背景下探测小目标的应用,分析了限制目标探测的主要因素。以深海水域舰船目标为例,利用大气辐射传输模型MODTRAN 4.0模拟计算了某型号遥感器在可见光谱区域内各个波段的目标/背景对比度和信噪比,并以此作为依据得出结论—对于以海洋目标探测为主要目的的宽波段遥感器来说,其最佳工作波段为0.5m~0.9m。     

Monte—Carlo法在空间外热流计算中的应用──空间光学遥感器光学窗口的地球红外辐射分析计算

用Monte-Carlo法对空间光学遥感器的大口径光学窗口的地球红外辐射进行了分析和模拟计算。考虑了光线在外遮光罩挡光环内的多次漫反射和在光学窗口表面的镜反射,讨论了目前普遍采用的挡光环等效面假设的局限性。     

Monte—Carlo法在空间外热流计算中的应用──空间光学遥感器光学窗口的地球红外辐射分析计算

用Ｍｏｎｔｅ—Ｃａｒｌｏ法对空间光学遥感器的大口径光学窗口的地球红外辐射进行了分析和模拟计算。考虑了光线在外遮光罩挡光环内的多次漫反射和在光学窗口表面的镜反射，讨论了目前普遍采用的挡光环等效面假设的局限性。     

融合注意力和多尺度特征的典型水面小目标检测

为解决多场景复杂海况背景水面小目标检测存在的可利用特征少、纹理信息弱等问题,提升无人艇的环境感知能力,本文提出一种融合注意力和多尺度特征的典型水面小目标检测算法。首先,在网络的深层使用空洞空间金字塔池化模块融合目标的全局先验信息。其次,通过注意融合模块自适应地增强目标浅层空间位置和深层语义信息特征,提高网络的特征表示能力。最后,通过多尺度特征融合实现高性能的目标检测。本文构建了典型水面小目标数据集,并基于无人艇开展了真实海况下水面小目标检测的算法验证。实验结果表明,该算法在无人艇NVIDIA平台检测速率达到17 FPS,能准确识别水面小目标,mIoU比原始特征金字塔网络算法提升7.58%,平均检测精度提升11.41%,达到82.36%。     

自适应性多模态特征融合的远小困难目标检测

为了解决由LiDAR点云稀疏性和语义信息不足造成的远小困难物体检测困难的问题,提出了一种多模态数据自适应性融合的3D目标检测网络,充分融合了体素的多邻域上下文信息和图片多层语义信息。首先,设计了一种更适用于检测任务的改进残差网络,提取图片多层语义特征的同时,在低分辨率特征图中有效保留了远小物体的结构细节信息。每个特征图进一步通过来自所有后续特征图的语义信息进行语义增强。其次,提取具有不同感受野大小的多邻域上下文信息,弥补远小物体点云信息不足的缺陷,加强体素特征的结构信息和语义信息,以提高体素特征对物体空间结构和语义信息的表征能力及特征鲁棒性。最后,提出了一种多模态特征自适应融合策略,通过可学习权重,根据不同模态特征对检测任务的贡献程度进行自适应性融合。此外,体素注意力根据融合特征进一步加强有效目标对象的特征表达。在KITTI数据集上的实验结果表明,本方法以明显的优势优于VoxelNet,即在中等难度和困难难度下AP分别提高8.78%和5.49%。同时,与许多主流的多模态方法相比,本方法在远小困难物体的检测性能上具有更高的检测性能,即在中等和困难难度级别上,AP的性能比MVX-Net AP均高出1%。     

基于改进特征金字塔的小目标增强检测算法

小尺寸的物体由于其在图像中分辨率相对较低的原因,在检测任务中容易被丢失和误判。针对目前目标检测算法对小尺寸目标检测精确度远低于其他尺寸目标检测精度的问题加以改进,将小尺寸目标特征增强融入特征金字塔结构。利用多尺度特征融合的特征增强能力丰富小尺寸目标特征层的特征信息,从而使小尺寸目标检测精准度得到提升。将改进特征金字塔结构应用于YOLOv3网络,实验对比研究表明,小尺寸目标检测精准度可以达到0.179,较原网络提升了22.6%。     

光学遥感图像中复杂海背景下的舰船检测

本文针对光学遥感图像中复杂海背景下的舰船检测问题,提出一种快速精确的舰船检测方法。首先,基于最大对称环绕显著性检测完成初始目标候选区域提取,并结合一种基于元胞自动机的同步更新机制,利用图像局部相似性和舰船目标几何特征,对初始目标候选区域进行更新,并通过OTSU算法获取最终目标候选区域;然后,根据舰船目标的固有特性对方向梯度直方图特征进行改进,提出一种新的表征舰船特性的边缘-方向梯度直方图特征对舰船目标进行描述,与传统HOG特征相比,这种特征向量侧重于对边缘特征的描述,对梯度向量鲁棒性更强,并且仅为一个24维的特征向量,计算复杂度低;最后,通过构建的训练库完成AdaBoost分类器的训练,并利用训练完成后的AdaBoost分类器完成目标的最终判别确认。本文的检测算法,针对尺寸为1 024pixel×1 024pixel的遥感图像,检测时间为2.386 0s,召回率为97.4%,检测精度为97.2%。实验表明,本文提出算法的检测性能优于目前主流的舰船检测算法,在检测时间和检测精度上都能够满足实际工程需要。     

基于卷积神经网络的光学遥感图像检索

提出了一种基于深度卷积神经网络的光学遥感图像检索方法。首先,通过多层卷积神经网络对遥感图像进行卷积和池化处理,得到每幅图像的特征图,抽取高层特征构建图像特征库;在此过程中使用特征图完成网络模型参数和Softmax分类器的训练。然后,借助Softmax分类器在图像检索阶段对查询图像引入类别反馈,提高图像检索准确度,并根据查询图像特征和图像特征库中特征向量之间的距离,按相似程度由大到小进行排序,得到最终的检索结果。在高分辨率遥感图像数据库中进行了实验,结果显示:针对水体、植被、建筑、农田、裸地等5类图像的平均检索准确度约98.4%,增加飞机、舰船后7类遥感图像的平均检索准确度约95.9%;类别信息的引入有效提高了遥感图像的检索速度和准确度,检索时间减少了约17.6%;与颜色、纹理、词袋模型的对比实验表明,利用深度卷积神经网络抽取的高层信息能够更好地描述图像内容。实验表明该方法能够有效提高光学遥感图像的检索速度和准确度。     

基于变尺度形态学的遥感图像边缘检测算法

针对遥感图像的噪声问题,在数学形态学的基础上提出了一种利用结构元素尺度变换的边缘检测算法。首先利用腐蚀运算对图像降低噪声,然后利用膨胀运算填补腐蚀产生的空穴,在这个过程中采用不同尺度的结构元素,最后通过检测算子得到图像的边缘图。实验结果表明,与传统的边缘检测算法相比,该算法不仅具有较强的边缘提取能力,而且通过合理选择结构元素的尺度能明显降低噪声对检测结果的影响,准确检测出大多数遥感图像的边缘。     

应用弦切变换提取几何特征实现目标检测

提出了应用弦切变换(CTT)来提取目标几何形状特征的方法,并基于对提取形状特征的匹配实现了对二维目标的检测。介绍了弦切变换的理论依据和算法的实现过程,同时进行了误差及可靠性分析。分析和实验表明,由于CTT可基于边缘点信息提取出更有意义的几何形状特征,这种几何特征不但具有平移、旋转和缩放的不变性,同时还可以输出目标相对于模板的旋转角度、缩放尺度等运动参数信息,因此,该方法在一定程度上克服了传统方法中灰度特征易受复杂环境和光照变化等影响的缺点,同时该特征对于目标边缘的部分失真或缺损也具有一定的鲁棒性。最后,对多组复杂环境下的图像序列进行了仿真实验,实验结果显示,检测的平均成功率达90%以上,而且在目标缺失或变形达到40%时,仍能得到比较准确的检测结果,这些结论验证了该方法的有效性。     

图像通用目标的无监督检测

为了实现对图像中多种类目标的检测,缩短目标搜索时间,本文基于图像目标的3个显著性线索(显著性检测,颜色对比,超像素跨越),构建了一种改进的通用无监督目标检测模型。通过机器学习center-surrounding比例参数,计算各个线索的显著度得分,并在朴素贝叶斯框架下对这3个目标显著性线索进行融合,以最终确定窗口中包含图像目标的概率。实验参数在PASCAL VOC 2007图像库进行检测,检测率为28.94%,击中率达96.99%;在MSRC图片库进行检测,检测率为80.64%,击中率达99.10%;得到的结果证明了本文模型的通用性。另外,该模型对单幅图像的处理时间较Bogdan的检测模型提高了40%,改进了目标检测效率。本文模型可为后续的目标识别,图像分割提供更快、更准确的先验位置信息。     

基于仿射尺度不变特征变换的掌纹识别

相比传统接触式采集方法,非接触采集是目前掌纹识别的趋势和主流,但其低约束性可能导致人手和图像传感器平面不平行,从而使掌纹产生仿射变形.传统的尺度不变特征变换(scale invariant feature transform,SIFT)对此识别效果不佳.针对这个问题,提出一种改进方案,即基于仿射尺度不变特征变换(affine scale invariant feature transform,ASIFT)的掌纹识别方法,建立了变形掌纹的仿射模型,模拟了相机光轴的经度角和纬度角,在仿射空间内提取图像特征.通过基于实际环境所建立的掌纹库——SUT图库验证算法性能,与SIFT算法及目前典型的掌纹识别方法进行对比.结果表明,ASIFT方法具备良好的抗掌纹仿射变形性能,等误率仅为0.6％,证明了该方法能够成功解决掌纹变形问题,鲁棒性和稳定性强,具备优越性.     

三维成像载荷共孔径光学系统设计

基于激光雷达高程数据与平面影像数据融合的三维成像技术是三维遥感探测技术的重要发展方向之一。本文设计了基于此体制的共孔径三维成像载荷的光学系统。从受限的空间尺寸出发,以此作为设计输入条件,得到光学系统的初始设计参数,设计了焦距为2 400mm,F数为5.33的偏视场同轴三反系统。采用三镜前置的方式,大大缩短了光学系统的轴向长度,使光学系统的轴向长度仅为焦距的1/4.36,在有限的空间内,实现了长焦距、高分辨率的光学系统排布。采用偏视场设计,避免了系统内的二次遮挡。整个系统的成像质量良好,无色差,畸变小,光学调制传递函数接近衍射极限,同时其相对孔径较大,有效通光孔径较大,能量集中度高,在保证高地面分辨率的同时,满足了激光接收端对能量的需求。     

吉林一号轻型高分辨率遥感卫星光学成像技术

为了实现吉林一号光学遥感卫星轻量化设计与高分辨率多光谱多模式成像,采用星载一体化设计理念及敏捷多模式成像策略,完成了吉林一号卫星的指标、方案及关键技术的设计与在轨多模式光学成像。吉林一号整星的质量为450kg,有效载荷比高达40%,机动能力达2.1(°)/s,可实现大侧摆、同轨立体与条带拼接等多模式成像,结合星上800GB的FLASH存储能力和X波段双通道600 Mbps的数据传输能力,卫星每天可获取近150 000km~2的图像数据。吉林一号轻型高分辨率光学卫星于2015年发射入轨,运行在656km太阳同步轨道,地面全色和多光谱分辨率分别优于0.72m和2.88m,满足多行业应用及商业化运营的需求。