基于卷积神经网络的无人机运动目标检测研究

无人机的监管也成为了社会关注的焦点,"黑飞"现象屡见不鲜,无人机"黑飞"逼停航班等事件不断升级,已经触动人民生命财产安全问题了。本文主要通过视频分析发现"黑飞"现象,首先采用摄广角镜头观测检测领空区域,通过目标检测算法发现疑似无人机的物体;然后,利用长焦镜头对检测到的目标进行识别和跟踪;从而达到自动检测和跟踪目标的效果。本文对目标检测领空进行了测试,将改进的算法与Faster RCNN、传统目标检测算法ACF进行了比较。本文算法分别提升了接近13个百分点和5个百分点以上,进一步证明了本文算法的有效性。总体上本文算法有一定的实用性和扩展能力,能够给"黑飞"检测提供一定的理论方法支撑。     

基于MRF的自适应帧差运动目标检测

为克服传统的运动目标检测算法容易受到显露遮挡,空洞以及噪声现象的影响,构造了一种基于MRF的自适应帧差运动目标检测算法。采用最大类间方差法自适应确定序列图像的初始标记场;通过帧差及“与”运算处理,消除伪运动信息;结合马尔可夫随机场理论构建了自适应马尔可夫随机场模型系统能量函数;并利用迭代条件模式算法完成标记场的优化过程,准确的提取出运动目标。实验结果表明,该算法能够有效地实现运动目标检测,效果理想。     

基于多尺度特征增强卷积神经网络遥感目标检测算法

随着技术的不断发展,遥感技术被广泛应用于地图绘制、资源勘探以及灾害预警等领域。遥感目标检测是进行遥感图像解译的关键步骤。传统的目标检测算法在对遥感目标进行检测的过程中存在目标漏检、检测精度低以及无法解决小目标检测等问题。提出一种基于多尺度特征增强卷积神经网络(MSFE-CNNs)的遥感目标检测算法,通过对不同卷积层特征进行增强和融合,使得模型具有更快的训练速度和更高的检测精度。所提算法结合特征提取模块、特征增强模块、自注意力机制和金字塔特征注意力机制。特征提取模块对输入的海量遥感数据进行特征提取,获取不同类别目标的多尺度特征;特征增强模块用于增强不同卷积层特征相关性,强化模型的学习能力和特征之间的非线性关系;自注意力机制和金字塔特征注意力机制主要解决传统卷积神经网络无法获取小尺度目标特征的问题。为了验证所提算法的有效性,在DOTA数据集上进行不同方法对比,实验结果表明所提算法在检测精度和训练速度上均优于现有基于深度学习的目标检测算法。     

采用深度卷积神经网络方法的毫米波图像目标检测

通过收集大量的毫米波图像并建立相应的人体数据集进行检测,提出基于Faster R-CNN深度学习的方法检测隐藏于人体上的危险物品。该方法将区域建议网络和VGG19训练卷积神经网络模型相结合,构建了面向毫米波图像目标检测的深度卷积神经网络。为了提高毫米波图像的处理能力,采用Caffe深度学习框架在图形处理单元上进行训练和测试。实验结果证明了基于Faster R-CNN深度卷积神经网络的目标检测方法能有效检测毫米波图像中的危险物品,并且目标检测的平均准确率约94%,检测速度约为6 frame/s,对毫米波安检系统的智能化发展有着极其重要的参考价值。     

基于单一神经网络的多尺度人脸检测

人脸检测是指检测并定位输入图像中所有的人脸,并返回精确的人脸位置和大小,是目标检测的重要方向。为了解决人脸尺度多样性给人脸检测造成的困难,该文提出一种新的基于单一神经网络的特征图融合多尺度人脸检测算法。该算法在不同大小的卷积层上预测人脸,实现实时多尺度人脸检测,并通过将浅层的特征图融合引入上下文信息提高小尺寸人脸检测精度。在数据集FDDB和WIDERFACE测试结果表明,所提方法达到了先进人脸检测的水平,并且该方法去掉了框推荐过程,因此检测速度更快。在WIDERFACE难、适中、简单3个子数据集上测试结果分别为87.9%, 93.2%, 93.4% MAP,检测速度为35 fps。所提算法与目前效果较好的极小人脸检测方法相比,在保证精度的同时提高了人脸检测速度。     

基于增强卷积神经网络的尺度不变人脸检测方法

针对非约束场景下小尺寸人脸检测困难的问题,提出了一种基于增强卷积神经网络的尺度不变人脸检测方法。首先,在SSD基础检测网络的两个浅层特征图上,通过协调聚合当前层特征图和前后两层特征图的特征信息,对当前层特征图的鉴别性和稳健性进行增强。然后,对两个增强特征图进行负样本筛选,通过增加分类的难度来降低由小尺寸锚框引起的人脸检测假正率上升。最后,为原始特征图和增强特征图设置了两种基于锚框尺寸的损失函数,并通过加权求和的方式对其进行融合。在FDDB和WIDER FACE数据集上的测试结果表明,文中所提方法比目前主流人脸检测方法具有更高的检测精度。     

基于多尺度一维卷积神经网络的入侵检测模型

随着信息技术的快速发展,网络安全问题日益严峻,入侵检测成为保护网络系统的关键任务之一。为了获得更好的网络流量特征,提出了一种基于多尺度一维卷积神经网络的入侵检测模型。首先,利用一维卷积块提取数据的原始特征;然后,采用三种不同尺度的一维卷积对网络入侵数据分别提取特征;最后,将不同尺度的特征融合,以构建出网络入侵检测模型。文中所提方法在两个公开的网络入侵检测数据集上进行了实验验证,结果表明,基于多尺度一维卷积神经网络融合的特征向量包含更加丰富网络流量特征,能够有效提高入侵的性能。     

采用卷积神经网络的海面多目标检测研究

对海雷达多目标检测在军事领域有着重要的应用价值。为了提高海杂波下的目标检测性能,减少临近目标的影响,本文引入深度学习思想,提出了采用卷积神经网络的多目标检测方法。通过雷达实测数据的分析与训练,构造适用于处理一维回波数据的网络模型,引入定向惩罚技术加快自适应学习效率,优化网络超参数提升网络性能,实现了回波数据信杂比的较大改善,完成了海面多目标的有效检测。最后,基于实测数据对该方法进行了性能验证,实验结果显示了本方法的有效性。      

基于深度卷积自编码器的短距慢动目标检测

针对目标雷达散射截面积(RCS)较小、杂波和噪声严重环境下短距离慢动目标难以检测的问题,设计了一种具有跳跃连接结构的双通道卷积自编码器的目标检测方法.该方法以时频谱作为输入,送入设计的卷积自编码器模型中,网络采用IQ双通道结构以提取目标回波的幅度和相位特征,并在中间层实现特征融合.考虑到在时频谱上目标尺度小,网络中还设...     

基于深度学习的连续帧车道线检测网络

为了改善单帧图像检测复杂背景中车道线性能较差问题,例如车道线受到阴影影响、污渍污损或人车遮挡等情况时性能较差的问题.本文提出了一种基于连续帧的车道线检测网络,实现了卷积神经网络(Convolutional Neural Network,CNN)和长短期记忆网络LSTM(Long Short-Term Memory,LS...     

基于深度学习的小目标检测研究与应用综述

目标检测在基于传统手工特征及深度学习算法上已经取得较大发展,然而针对小目标检测的研究近几年才开始出现,研究成果较少,且大都是在已有目标检测算法基础上进行改进,以提高小目标检测的检测精度.小目标像素点少,本身携带的特征少,多次下采样后就更难进行特征提取,因而小目标检测面临极大挑战.小目标检测在自动驾驶、遥感图像检测、刑侦等领域都有广泛应用需求,对于小目标检测技术的研究有重要的实用价值.本文对小目标检测的现有研究成果进行了详细综述.首先,将现有算法按照检测需要的阶段数分为一阶段、二阶段、多阶段,描述了RetinaNet、CornerNet-Lite、特征金字塔网络（Feature Pyramid Network,FPN）等算法的原理并进行了对比分析.其次,本文描述了小目标检测技术在不同领域的应用情况,并汇总了MS COCO、PASCAL VOC、DOTA、KITTI等数据集及算法性能评价指标.最后,总结了小目标检测面临的挑战,并展望了未来的研究方向.     

基于增强特征融合网络的安全帽佩戴检测

佩戴安全帽是保证工人施工安全的重要方式之一。现有的安全帽检测器的检测精度与速度都有待提高，这使得这些检测器难以大规模应用于实际的生产活动中。针对这些问题，文中推出了基于EfficientDet的安全帽检测器，并在此基础上从特征融合的角度对其进行了改进。该模型通过使用特征补充的方式减少了特征融合过程中的信息损失，并利用改进的特征金字塔及自适应空间融合模块提升了融合的效率，最终达到提升性能的目的。实验表明，文中改进的模型在安全帽佩戴数据集上的精确率达到83.03%,相较于未改进的模型有所提升，且模型大小没有明显增加。该模型在PASCAL VOC 2007上的精确率则达到了82.76%。     

基于深度学习的目标检测研究综述

目标检测是计算机视觉领域内的热点课题,在机器人导航、智能视频监控及航天航空等领域都有广泛的应用.本文首先综述了目标检测的研究背景、意义及难点,接着对基于深度学习目标检测算法的两大类进行综述,即基于候选区域和基于回归算法.对于第一类算法,先介绍了基于区域的卷积神经网络（Region with Convolutional Neural Network,R-CNN）系列算法,然后从四个维度综述了研究者在R-CNN系列算法基础上所做的研究：对特征提取网络的改进研究、对感兴趣区域池化层的改进研究、对区域提取网络的改进研究、对非极大值抑制算法的改进研究.对第二类算法分为YOLO（You Only Look Once）系列、SSD（Single Shot multibox Detector）算法及其改进研究进行综述.最后根据当前目标检测算法在发展更高效合理的检测框架的趋势下,展望了目标检测算法未来在无监督和未知类别物体检测方向的研究热点.     

静态背景下的运动目标检测算法

运动目标检测是计算机视觉研究的重要组成部分。为了改进传统运动目标检测算法存在空洞、阴影和虚假边缘现象,提出一种静态背景下基于五帧差分与背景边缘差分相结合的运动目标检测算法。该算法首先利用优化的Canny边缘检测算法快速简单地构建稳定的背景边缘模型,同时利用背景边缘检测差确定运动目标边缘;之后与五帧差分法检测的结果相累加;最后通过同化填充和后期相关处理提取完整、准确的运动目标区域。实验结果表明,该算法准确率高,连通性好,能满足实时性检测的要求。     

基于细化多尺度深度特征的目标检测网络

现有深度卷积神经网络中感受野尺度单一,无法适应目标的尺度变化和边界形变,故此本文提出了一种提取并融合多尺度特征的目标检测网络.该网络通过减少池化并在网络底层加入空间加信道压缩激励模块来突出可利用的细节信息,生成高质量的特征图;此外,在深层网络中加入可变多尺度特征融合模块,该模块具有多种尺度的感受野并可根据物体边界预测采样位置,最后通过融合多尺度特征使网络具有更强的特征表达能力并且对不同尺度实例及其边界信息更具鲁棒性.实验证明,本文结构实现了比原有结构更高的平均精度,与目前主流目标检测算法相比也具有一定优势.     

用于运动人体检测的改进的帧差法

为了克服单一固定的阈值难以获得可靠的结果缺陷,提出一种使用分级闻值,对帧差图像进行二值化的方法.实验表明使用该方法可以可靠、实时地检测视频序列中的运动人体.     

基于分级自适应背景差分的运动目标检测

针对经典自适应背景差分法中存在的问题,提出一种基于分级自适应背景差分的运动检测方法.方法结合了帧间差分法和背景差分法的优点,解决了运动检测中常见的拖尾问题和空洞问题.利用识别信息对感兴趣目标单独使用更新系数进行更新,在快速跟踪背景变化的前提下,能够保持对感兴趣目标的持续关注.     

机载平台下基于深度检测网络的目标跟踪重捕算法

目标检测与跟踪是机载光电设备至关重要的功能模块,其检测跟踪的性能直接关系到目标感知的精度.近年来基于Siamese网络的改进跟踪算法在各种挑战性的数据集上取得了优异的效果,但大多数改进算法采用局部搜索策略,无法更新模板,且模板会引入背景干扰,最终因跟踪点漂移导致跟踪失败.为了解决这些问题,本文提出了一种结合目标边缘检测的改进全连接Siamese跟踪算法,该算法利用目标的轮廓模板代替边界框模板,减少了背景杂波的干扰;同时,在Siamese网络的基础上增加了一路改进tiny-YOLOv3目标检测网络,利用K均值聚类找到最合适的锚框(anchor box),引入了扩张模块层来扩展感受野,增加了系统的抗遮挡能力,提高机载光电设备的目标捕获概率.在基准测试数据集以及挂飞数据集基础上的仿真测试性能表明本文提出的改进模型特别适合机载光电设备在跟踪与重捕复杂环境下的运动目标,在长期跟踪中能够更好地适应目标的变形和遮挡,提升系统响应时间与适应性.