基于深度学习的水面漂浮物智能检测方法

漂浮物作为河道表观污染的重要源头,加强漂浮物检测是改善水环境生态质量的重要途径,也是积极落实“河长制”政策的技术手段。由于水面漂浮物具有场景复杂度高、形状不规则以及多尺度形态变化等特点,采用传统的图像识别方法快速有效地检测目标具有较大的挑战性。因此,本文提出了一种基于深度学习的实时且稳健的水面漂浮物智能检测方法。首先,基于稀疏分解思想对低质量漂浮物图像进行降噪和增强处理,初步降低复杂水面环境对漂浮物图像质量的影响。其次,将轻量化MobileNetV2网络取代SSD算法中的VGG16网络作为骨干网络,在预测层中将深度可分离卷积取代标准卷积,并采用动态特征金字塔网络提高多尺度漂浮物的检测精度,弥补SSD网络中强制不同层学习相同特征的不足。然后,将统一量化卷积神经网络（Quantized-CNN）框架应用于量化SSD检测器的检测误差,进一步加速卷积层计算和压缩全连接层的参数,降低SSD算法的计算复杂度和内存成本。本文在构建的水面漂浮物数据集上进行的实验结果表明：与现有的图像识别算法相比,改进后的SSD检测算法的平均精度（AP）和F1达到95.86%和94.74%,在硬件GPU下的检测速度达到64.23f/s,检测算法的参数计算量减少到7.5亿,模型内存成本压缩到6.27MB。改进SSD算法实现了水面漂浮物检测的高精度和高效率。     

基于肤色模型与粒子滤波的人脸自动检测、跟踪算法

首先通过一种基于亮度聚类的肤色模型,检测人脸的初始位置;其次提出了一种基于粒子滤波的特征融合跟踪算法,用颜色直方图和方向梯度直方图来描述目标,在柱子滤波框架下将目标颜色和梯度信息有机结合,并自适应更新来跟踪人脸位置.实验表明,该算法不仅提高了跟踪精度,而且具有较强的鲁棒性.     

一种多特征融合的复杂场景动态目标跟踪算法

针对传统目标跟踪算法在目标形变、遮挡或光照变化等复杂场景下容易丢失目标的问题,提出了一种融合多特征的复杂场景动态目标长时间视觉跟踪算法,该算法基于跟踪学习检测(TLD)框架,首先,利用高斯二阶滤波器提取跟踪目标在不同方向的纹理信息,通过纹理信息采用Hessian矩阵计算图像曲面的主曲率,融合主曲率与RGB颜色信息建立目标特征概率直方图模型;然后,使用融合多特征的Mean Shift算法替代TLD框架中的光流法,降低跟踪模块的计算复杂度;最后,采用P-N学习策略构建快速级联检测器,实现跟踪失败时准确检测并重新初始化跟踪器快速修正跟踪结果.在OTB-50公开数据集和煤矿井下巷道视频上进行动态目标跟踪测试.结果表明:所提算法能够实现目标形变、遮挡或光照变化等复杂场景动态目标长时间跟踪,具有较高的鲁棒性和跟踪精度.     

目标回波特征辅助的海面多目标跟踪方法

由于复杂的海洋环境和近海稠密的海面目标，海用雷达常面临高虚警率、高目标密度的“双高”跟踪场景。来源于海杂波和多个邻近目标的量测点在探测空间中密集出现，传统的跟踪方法仅利用单帧量测的位置信息不能很好区分量测的具体来源，导致跟踪性能严重下降。利用目标回波特征信息可以在不提高算法复杂度的情况下弥补上述缺陷，但目标回波特征的泛化能力较弱，需要针对不同的雷达体制、工作场景及探测需求，因地制宜地选择适合的目标回波特征。以探测大中小型船只为任务的高分辨对海警戒雷达为应用背景，采用检验统计量和目标径向速度量测作为目标回波特征，重构了跟踪方程使得目标回波特征的信息被充分应用于关联、滤波和航迹管理等跟踪的各个环节。此外，采用了一种“两级”跟踪流程，依据航迹质量划分确认航迹和候选航迹，串联跟踪目标并交互信息，有助于跟踪难以形成持续稳定检测的非机动海面小目标。实测和仿真数据实验结果表明，在海面复杂的多目标场景中，所提方法可以实现稳健的目标跟踪。     

一种有效的随动跟踪方法

针对视频监控系统,提出了一种离散化像机运动的随动跟踪方法,解决了像机运动时对目标检测带来的困难,并弥补了由于单个摄像机拍摄范围的局限性。文中针对像机监控场景,离散化像机转动,建立索引表;通过多帧差分和自适应背景方法提取运动对象,并结合K alm an滤波器和多帧预测思想实现了对特定目标的鲁棒跟踪;综合利用目标的信息、索引表和云台实现了对特定目标的随动跟踪。实验结果表明,该算法对于复杂场景中运动目标的检测和跟踪具有较好的鲁棒性和实时性;对特定目标的随动跟踪具有良好的实时性和稳健性。     

基于模糊逻辑的多特征融合的粒子滤波跟踪算法

传统粒子滤波跟踪方法采用单一的特征信息,存在跟踪精度低、鲁棒性弱的缺点,为此本文提出了一种基于模糊逻辑的融合颜色和局部二值模式(LBP)的粒子滤波跟踪方法,提高了目标跟踪的精度。首先,提取出能够表征目标的局部二值模式和基于核函数的加权颜色直方图两种信息;然后,利用模糊逻辑的方法对两种特征进行有效的自适应融合。大量试验表明本文算法在复杂环境下能够进行有效的跟踪,具有较强的鲁棒性和准确性。     

复杂背景下运动目标检测的ViBe改进算法

针对ViBe运动目标检测算法在复杂背景下出现鬼影和鲁棒性低等问题,文中提出一种基于边缘梯度特征的自适应阈值改进算法.通过计算当前帧图像背景复杂度,自适应调整阈值R,提取前景目标;建立前景区域与运动区域的边缘梯度模型,通过判断模型之间的相似度,消除鬼影区域.经对采集的3个设定视频场景进行实验验证,结果表明,该算法对复杂场...     

一种空背景下红外弱小目标检测算法

为了检测空背景下的红外弱小目标,提出了一种预测式管道滤波新算法。首先进行单帧检测以获取候选目标,并以该候选目标位置为中心建立预测管道;根据前三帧管道中心位置预测下一帧管道中心位置,从而实现管道随着目标的移动,而且为下一帧的预处理提供先验知识;使用管道滤波算法进行目标检测。由于进入管道预测阶段后,单帧检测只需在预测的管道中心周围进行,由此显著提高了该算法的检测速度和抗干扰能力。仿真实验证明,该算法具有很好的检测性能。     

孪生网络特征融合与自适应加权的目标跟踪算法

为了提高孪生网络目标跟踪算法在实际复杂环境中的跟踪精度与准确性,提出一种基于孪生网络特征融合与自适应加权的目标跟踪算法MFAW-SiamRPN。该算法在孪生区域建议网络目标跟踪算法的基础上,引入多层特征融合模块,并在主干网络末端嵌入自适应加权网络,提高跟踪算法的适应性和判别力,从而能够通过区域建议网络更准确的获取目标的位置和形状。实验测试表明：相比孪生区域建议网络目标跟踪算法,MFAW-SiamRPN算法在OTB2015数据集上的跟踪精度和成功率分别提升了2.5%、2.8%,在VOT2018数据集上的期望平均重叠率提高了2.3%,跟踪性能较好,在处理复杂场景时有更好的鲁棒性。     

基于多特征融合的变尺度目标跟踪方法

给出一种基于多特征融合的核相关滤波器变尺度估计方法,以求解决视觉跟踪目标尺度变化问题。先提取目标所在区域的方向梯度直方图、颜色名和均匀局部二值模式,将此三种特征进行融合,构造训练样本,对目标外观建模;再求解线性岭回归函数,获得位置和尺度核相关滤波模板,对待检测帧的候选区域进行相似性度量,确定跟踪目标位置及尺度;实时更新位置模型和尺度模型的学习因子。实验结果表明,所给方法在不同挑战因素下,满足精确跟踪的要求,且在目标尺度变化、遮挡等复杂场景下,有较强鲁棒性。     

双目相机和激光雷达的融合SLAM研究

针对基于图优化的激光SLAM算法在高相似度的场景中闭环检测出错的问题,提出使用双目相机进行闭环检测的方法. 使用加入旋转不变性的FAST特征点和BRIEF描述子进行双目深度估计; 引入局部地图的概念,使用单帧激光雷达数据与局部地图进行匹配,提高SLAM前端的精度. 使用基于词袋(bag of words,BOW)模型的k叉树字典评估图片相似度从而完成闭环检测,最后构建全局优化问题并求解. 与主流开源激光雷达SLAM算法的对比实验表明,研究内容改善了只使用激光雷达数据进行闭环检测的方法在相似度较高场景下失效     

三分支多层次Transformer特征交互的RGB-D显著性目标检测

RGB-D显著性目标检测是计算机视觉领域的研究任务之一,很多模型在简单场景下取得了较好的检测效果,却无法有效地处理多目标、深度图质量低下以及显著性目标色彩与背景相似等复杂场景。因此,本文提出一种三分支多层次Transformer特征交互的RGB-D显著性目标检测模型。首先,本文采用坐标注意力模块抑制RGB和深度图的噪声信息,提取出更为显著的特征用于后续解码。其次,通过特征融合模块将高层的三层特征图调整到相同的分辨率送入Transformer层,有效获取远距离显著性目标之间的关联关系和整幅图像的全局信息。然后,本文提出一个多层次特征交互模块,该模块通过有效地利用高层特征和低层特征对显著性目标的位置和边界进行细化。最后,本文设计一个密集扩张特征细化模块,利用密集扩张卷积获取丰富的多尺度特征,有效地应对显著性目标数量和尺寸变化。通过在5个公开的基准数据集与19种主流模型相比,实验结果表明:本文方法在多个测评指标上有较好的提升效果,提高了在特定复杂场景下的检测精度,从P-R曲线、F-measure曲线和显著图也可以直观看出本文方法实现了较好的检测结果,生成的显著图更完整、更清晰,相比其他模型更加接近真值图。     

基于相位信息的人眼状态检测

为有效解决不同光照环境对人眼检测算法带来的诸多问题,提出一种基于相位信息的眼部状态检测算法,首先使用相位信息对眼部区域的边缘特征进行提取,然后依据垂直直方图统计二值化图像中白色像素数,最后设定合理阈值对人眼状态作出判断。实验结果表明,算法在保证识别正确率的同时对环境亮度变化具有较好的鲁棒性。     

基于改进核相关滤波算法的目标跟踪

针对核相关滤波算法仅使用一种特征表达进行目标追踪,使其在一些场景中跟踪效果不佳的问题,提出了一种多特征融合的核相关滤波跟踪方法。采用31维的方向梯度直方图特征、58维的局部二值模式特征和1维的灰度特征进行融合。该算法选择在特征层进行特征融合,先将方向梯度特征和局部二值模式特征并联融合,再将融合后的特征串联融合灰度特征,形成新的特征表达。在OTB(Object Tracking Benchmark)数据集上进行了测试,结果表明,该算法具有更好的跟踪效果。     

Efficient track-before-detect algorithm based on the parameterized track enhancement

To address the problem of detection and tracking in the environment of a low SNR, we propose a new multi-frame track-before-detect algorithm. First of all, the nonparametric tracking initial is made based on the unthresholded multi-frame data. The target's plots can be obtained. Then the track enhancement operator is designed making use of the parameter of the target's state and the measurement imprecision error. Finally, using the designed operator to do the parameterized track enhancement, the results of tracking can be obtained. The algorithm possesses the characteristics of close loop feedback between the state of the target's trajectory and the track enhancement operator, which can improve the accuracy of detection and tracking and realize joint detection and tracking in a low SNR environment. Simulation results show that compared with the traditional track-before-detect the proposed method can obtain similar performance. The method can track stably in the case where the signal-to-noise ratio is 6dB.     

结合双注意力与特征融合的孪生网络目标跟踪

基于孪生网络视觉跟踪的进化和深层网络目标跟踪算法在目标被遮挡和外观形变时的跟踪成功率不高,鲁棒性不强,对此,提出了一种结合双注意力与特征融合的孪生网络目标跟踪算法。首先,采用通道和空间注意力模块增强目标信息,抑制图像中的干扰信息,提高模型的准确度;然后,对注意力层输出的浅层和深层特征信息进行多层特征融合,得到表现力更好的目标特征,提高跟踪成功率;最后,引入在线模板更新机制,减少了跟踪漂移,提高了跟踪鲁棒性。使用OTB100测试集进行实验,实验结果表明,改进后算法的跟踪成功率比改进前算法的跟踪成功率提高了1.3%;在具有遮挡和形变属性的4个测试序列下,改进后算法的平均重叠率提高了3%,中心位置的平均误差降低了0.37个像素点,针对遮挡和外观形变时的鲁棒性更好。     

多特征融合的相关滤波红外单目标跟踪算法

针对红外单目标跟踪问题,提出一种多特征的相关滤波目标跟踪算法。该算法融合了图像的卷积特征和差分特征,使用卷积特征和差分特征分别训练相关滤波模型。在跟踪阶段,对两种特征的相关滤波模型得到的响应图动态融合,利用动态融合的响应图来确定目标的最终位置,使用得到的目标位置分别更新相关滤波模型。在林雪平热红外数据集上进行了实验验证,与一些经典的跟踪算法进行了对比,表明该算法拥有更高的跟踪准确率。     

改进YOLOv3算法的交通多目标检测方法

针对交通场景中目标像素占比小、互相遮掩等因素造成漏检、误检的问题,提出了基于YOLOv3的多目标检测方法。该方法在YOLOv3网络结构中植入空间金字塔池化模块以增强特征表达,同时提出一种多尺度特征融合机制兼顾获取空间信息和语义信息,通过扩展预测层的预测分支来细化待检目标的语义信息。此外,将改进的K均值聚类算法用于提取先验框的初始中心点,提升预测锚框与待检目标的匹配度,并运用柔性非极大值抑制算法进行置信分数的灵活调整。基于混合数据集的实验结果表明,所提方法有效地提升了检测精度。     

一种基于ResNet网络特征的视觉目标跟踪算法

针对复杂场景下目标容易丢失的问题,提出了一种基于深度残差网络（ResNet）特征的尺度自适应视觉目标跟踪算法.首先,通过ResNet提取图像感兴趣区域的多层深度特征,考虑到修正线性单元（ReLU）激活函数对目标特征的抑制作用,在ReLU函数之前选取用于提取目标特征的卷积层;然后,在提取的多层特征上分别构建基于核相关滤波的位置滤波器,并对得到的多个响应图进行加权融合,选取响应值最大的点即为目标中心位置.目标位置确定后,对目标进行多个尺度采样,分别提取不同尺度图像的方向梯度直方图（fHOG）特征,在此基础上构建尺度相关滤波器,从而实现对目标尺度的准确估计.在视频集OTB100中与其他6种相关算法进行了比较,实验结果表明,所提算法取得了较高的跟踪成功率和精确度,能够较好地适应目标的尺度变化、背景干扰等复杂场景.     

融合多分辨率表征的实时烟雾分割算法

针对烟雾分割领域缺乏应用于实际监控系统的实时烟雾分割算法的现况,提出高准确率的实时烟雾分割算法. 该算法利用轻量化的多分辨率卷积模块并行提取特征图,在获得丰富语义信息的同时满足实时分割的需求. 提出烟雾前景增强模块,使得烟雾像素点融合前景增强表征、避免背景信息干扰,分割准确率得以提高. 提出残差注意力模块,从通道、空间维度增强重要特征信息,抑制无效信息. 该算法在自建数据集上平均交并比为91.27%,每张图片预测时间为39.06 ms,网络权重为74.66 MB;在公开数据集上的对比结果表明,该算法综合检测性能优于其他烟雾检测算法. 该算法分割准确率高、检测速度快且模型轻量化,可以应用于实际视频监控系统.