基于锚框变换的单阶段旋转目标检测方法

为解决现有目标检测方法在检测无人机航拍图像中的交通目标时存在的水平包围框与目标真实轮廓贴合度较差、目标的水平包围框重叠度高导致相互抑制、目标发生旋转时,常规卷积操作的采样点落于目标之外等问题,在单阶段目标检测网络YOLOv3的基础上,提出了一种基于锚框变换的单阶段旋转目标检测网络(ATB-YOLO).特征提取网络部分,...     

基于矩特征预测的主动轮廓跟踪算法

提出了一种基于矩特征预测的B样条主动轮廓跟踪算法。在算法的预测阶段，采用卡尔曼滤波器预测图像中运动目标的质心位置及主轴旋转角度，采用这2种矩特征统计量初步确定主动轮廓在当前帧中的位置及姿态。在算法的搜索阶段，采用动态规划方法驱动B样条主动轮廓精确定位目标的边缘。实验表明，这种跟踪算法在数十帧的头部序列图像中能较好地分割及跟踪目标。     

基于深度卷积特征的图像实例检索方法

针对计算机视觉领域的图像实例检索问题,提出了一种从卷积神经网络提取图像全局特征表示和目标对象区域特征表示的图像实例检索方法。该方法首先利用区域生成网络学习目标实例的区域位置坐标,并结合相关卷积网络提取的图像区域特征构建由过滤阶段和空间重排阶段组成的实例检索系统。在此基础上提出过滤阶段和空间重排两阶段查询扩展方法进一步提高系统检索性能。最后,提出了两种微调网络模型策略,更新网络前两个卷积层后所有层的权重以适应图像实例检索和位置坐标。通过在两个公用实例检索数据集(Oxford Buildings 5k和Paris Buildings 6k)上进行详尽实验验证,结果表明,提出的基于深度卷积特征的图像实例检索方法有效地提高了图像实例检索的准确率和可靠性,降低了实例检索误检率,得到的实例位置更加准确。     

不同光照和姿态下的航拍车辆检测方法

为了解决在不同光照和姿态下的航拍车辆检测准确度低的问题,基于Fourier-HOG算法提出了一种航拍车辆检测方法。该方法是基于滑动窗口的检测方法。首先,在处理过程中引入图像预处理,可以将背景区域进行有选择的剔除,大大节省检测时间和降低虚警率;其次,提取航拍图像基于局部敏感直方图的光照不变性特征;然后,再提取旋转不变的Fourier-HOG特征。将此特征在线性支持向量机中对车辆目标与非车辆目标进行分类。在后续处理阶段,引入非极大值抑制来降低误检目标。实验结果表明：所提出的车辆检测方法在谷歌地图数据集上进行测试,其检测准确度较高,且时间消耗低于原始的Fourier-HOG检测方法,该方法是一种较为有效的航拍车辆检测方法。     

基于深度神经网络复杂场景下的机器人拣选方法

针对提高快递包裹的分拣效率和识别准确率,提出了一种基于深度神经网络复杂场景下的机器人拣选方法.首先,提出一种改进的目标检测算法,通过将多层浅层特征图与最终的特征图进行融合,提取更加细节的特征,以提升识别的速度与精度;其次,提出了一种基于关键点的级联卷积最优拣选位置检测网络模型,对包裹最优拣选位置进行实时预测估计;最后,结合目标包裹最优拣选框与场景的深度信息和基于三维信息的目标姿态估计算法实现机器人拣选,并通过实验验证了该方法的有效性.     

基于深度学习的遥感影像飞机目标检测方法

遥感影像飞机目标检测是评估机场功能与重要程度、掌握敌情动态的重要途径.针对深度神经网络目标检测在特征提取阶段并未专门涉及特定目标的问题,同时为进一步提高检测精度,基于单一目标多尺度检测(SSD)框架,提出飞机目标Inception多尺度检测(AFInceptionNetSSD)方法.通过分析使卷积神经网络的特征图得到最大响应的视觉模式,结合飞机目标的几何特征,建立了飞机目标特征提取网络;并将此网络应用于SSD框架中,构建了AFInceptionNetSSD方法.仿真结果表明,该方法可以有效地提取飞机目标特征,与SSD框架相比,提高了检测精度.     

基于优化预测定位的单阶段目标检测算法

针对单阶段多边框检测(SSD)算法中存在目标定位不准确和小目标检测精度不高的问题,提出基于优化预测定位的单阶段目标检测算法EL-SSD. 通过双向加权特征金字塔将原SSD预测特征图特征融合,对输出特征图进行特征位置信息解码后进行特征通道权重再分配,提升了特征语义信息,捕获了跨通道位置信息. 通过构建分类置信度及额外的定位置信度级联聚类对预测框进行非极大值抑制,提高在检测阶段对选择目标的定位精度. 实验结果表明,EL-SSD算法在PASCAL VOC2007上的平均检测均值达到79.8%,比原SSD算法提高了2.6%. 在COCO数据集上的精度达到29.4%,比原SSD算法提高了3.5%,在检测图片上的目标定位效果及小目标检测效果明显优于SSD, 适用于需要高定位性能的实时应用场景.     

基于动态模式和卷积特征的单目标跟踪算法

基于深度特征的目标跟踪网络凭借其对目标视觉特征强大的表征能力获得了令人印象深刻的表现。然而,在一些复杂的跟踪场景中常常涉及目标物体快速运动、光线变化、旋转等,仅仅依赖深度视觉特征难以准确地表征目标物体。针对以上问题,提出了一种基于融合特征的视频单目标跟踪网络。该网络结合了2种深度学习模型:卷积神经网络(convolutional neural network,CNN)和长短期记忆网络(long short-term memory,LSTM)。首先,运用长短期记忆网络提取目标基于时间序列的动态特征,产生当前时刻的目标状态,由此获得准确的预处理目标框;然后基于产生的预处理目标框,使用卷积神经网络提取目标的深度卷积特征,确定目标位置;在跟踪过程中,通过采集成功跟踪时目标样本,对网络参数进行短期和长期更新,以增强网络的适应性。对比实验结果表明,所提出的方法在目标运动过程中被部分遮挡、运动模糊、快速运动情况下具有优异的跟踪表现和鲁棒性。     

基于特征优化与深层次融合的目标检测算法

针对单阶段多边框检测算法(SSD)存在对小目标检测误差较大的问题,提出基于特征优化与深层次融合的目标检测算法,通过空间通道特征增强(SCFE)模块和深层次特征金字塔网络(DFPN)改进SSD. SCFE模块基于局部空间特征增强和全局通道特征增强机制优化特征层,注重特征层的细节信息;DFPN基于残差空间通道增强模块改进特征金字塔网络,使不同尺度特征层进行深层次特征融合,提升目标检测精度.在训练阶段添加样本加权训练策略,使网络注重训练定位良好的样本和置信度高的样本.实验结果表明,在PASCAL VOC数据集上,所提算法在保证速度的同时检测精度由SSD的77.2%提升至79.7%;在COCO数据集上,所提算法的检测精度由SSD的25.6%提升至30.1%,对小目标的检测精度由SSD的6.8%提升至13.3%.     

旋转框定位的多尺度再生物品目标检测算法

针对传统目标检测算法未考虑实际分拣场景目标物形态尺度的多样性,无法获取旋转角度信息的问题,提出基于YOLOv5的改进算法MR²-YOLOv5. 通过添加角度预测分支,引入环形平滑标签（CSL）角度分类方法,完成旋转角度精准检测. 增加目标检测层用于提升模型不同尺度检测能力,在主干网络末端利用Transformer注意力机制对各通道赋予不同的权重,强化特征提取. 利用主干网络提取到的不同层次特征图输入BiFPN网络结构中,开展多尺度特征融合. 实验结果表明,MR²-YOLOv5在自制数据集上的均值平均精度(mAP)为90.56%,较仅添加角度预测分支的YOLOv5s基础网络提升5.36%;对于遮挡、透明、变形等目标物,均可以识别类别和旋转角度,图像单帧检测时间为0.02~0.03 s,满足分拣场景对目标检测算法的性能需求.     

多尺度水上船舶目标视觉检测

水上交通场景环境复杂,通过普通光学摄像设备获取的水面图像,面临着视觉目标清晰度低、尺度多样化等问题,使得可见光视觉信号里中、小尺度目标检测相对困难。为服务于各类智慧海事应用,提出了一个旨在提高复杂水域背景下多尺度水上船舶目标检测性能的算法（multi-scale ship object detection,MS-SOD）。该算法基于当前计算机视觉技术中主流的单阶段目标检测模型框架,在其主干网络中嵌入卷积注意力模块,来优化船舶特征提取能力;在多尺度特征融合网络中引入富含细节信息的浅层特征,并使用跨阶段局部残差结构,来优化多尺度船舶特征的融合机制;同时,使用焦点损失函数,来优化模型的学习过程;并设计自适应锚框聚类算法优化先验锚框,以提高多尺度船舶目标检测能力。为验证提出算法的有效性和实效性,在构建较大规模水上船舶目标数据集的基础上,开展了广泛实验验证。结果表明:提出的算法在测试数据集上的检测准确度超过了各主流的对比方法;特别是对于大、中、小各尺度船舶目标的检测精度,相对于主流的YOLOv4算法,提出的算法分别提升了11.3%、6.0%和10.5%。     

采用渐进式网络的弱监督显著性目标检测算法

弱监督显著性目标检测中常存在目标错检、区域检测不全和目标边界不清晰等问题。针对上述问题,提出了一种基于渐进式网络的弱监督显著性目标检测算法,将显著性目标检测分为目标定位、显著性区域完善和目标边界细化3个子任务分阶段完成。首先,将输入图像采样为3个不同尺度的图像,分别输入渐进式网络的3个阶段进行学习;其次,在目标定位阶段设计了嵌套位移多层感知机,平衡网络的全局信息与局部信息的提取能力,以更好地定位显著性目标;最后,根据显著性图的结构不受尺度变化影响的特点,设计了异尺度自监督模块和目标一致性损失函数来构建自监督机制,使网络能够输出区域完整、边界清晰的显著性图。在5个数据集上测试所提算法,其客观指标与主观评价都优于最近的弱监督算法,且在F值指标上可以达到相关全监督算法89%的性能。实验结果表明,所提算法能生成显著性区域更完整、显著性目标边界更锐利的显著性图,且具有良好的鲁棒性。     

物体的动点立体视三维视觉识别——一种工业机器人视觉方法的研究

本文提出采用激光光点解决动点立体视中的“同一点”问题,并根据航空摄影理论导出了适于物体形状识别的物点坐标公式。在此基础上,提出了动点立体视三维识别系统的构成及四次识别原理。     

Saliency detection via object size distribution prior and image abstraction

In order to uniformly highlight the entire salient object and reduce the influence of high contrast small-size objects on saliency detection, salient object size distribution regularity and consistency of salient objects in different scales image abstraction are investigated. A multi-scale abstraction saliency detection approach based on the object size distribution prior is proposed. The method measures the color uniqueness and distribution for different super-pixel abstraction images, and guides salient object segmentation and abstraction by the object size distribution regularity. Experimental results on publicly available image databases show that the method can accurately detect salient objects. Meanwhile, it can restrain the influence of small-size high contrast objects on saliency detection and generate a uniform saliency map.     

复杂航空图像中的大边缘提取方法

提出一种用于在复杂的航空照片中抑制细小边缘,获取主要景物边缘信息的新方法。该方法首先对图像进行中值滤波和对比度展宽,以去除图像中的噪声,提高了图像的清晰度,为了清除图像中的细小目标,提出了一种基于最大偏差最小的领域平滑法。在边缘 取时采用了梯度算子,并引入了模糊理论来判别和跟踪边缘。     

基于改进YOLOv5的小目标检测算法

针对目标检测中小目标误检、漏检及特征提取能力不足等问题,提出一种基于改进YOLOv5的小目标检测算法.该算法使用Mosaic-8方法进行数据增强,通过增加一个浅层特征图、调整损失函数,来增强网络对小目标的感知能力;通过修改目标框回归公式,解决训练过程中梯度消失等问题,提升了小目标的检测精度.将改进后的算法应用在密集人群...     

基于无人机遥感影像的水体提取方法

针对无人机（UAV）影像水体提取出现的噪声干扰、光谱混淆、分割尺度难把握、无法使用水体指数等问题,提出边缘检测算法结合面向对象方法的新水体提取方法（AUCSN）. 采用各向扩散滤波算法对影像去噪;采用Canny边缘检测算子对去噪后影像进行边缘提取,提取结果与去噪后影像进行波段重组,利用改进的邻域绝对均值差分方差比法对重组影像选取最优分割尺度,开展多尺度分割. 结合水体对象的光谱、形态、纹理特征建立模型,对分割后影像实现水体粗提取. 将粗提取结果利用形态学闭运算填充孔洞,实现水体提取. 实验结果表明,采用AUCSN方法进行水体提取,不仅提高了提取效率,而且提取精度能够达到96%.     

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。     

多热源环状管网的面向对象水力计算方法

提出用于多热源环状管网的水力工况模拟的面向对象水力计算新方法.将复杂的管网结构解析成各类元件对象的集合,每个对象在连接处的水力特性作为与其相接元件的边界条件.每个管网元件的对象属性包含了管网的拓扑结构关系,并提供水力计算中所需的参数.基于新方法建立管网管段、水泵、阀门、热源等元件模型,在水力计算时无需提供特定的初始值,即可快速、可靠地定量分析设备操作、热媒温度和地形高差等对水力计算结果的影响.以某市区域供热管网为例,进行设计工况和事故工况的水力计算分析.分析结果表明,“顺流向”的计算顺序能够遍历管网中的所有元件对象,且快速、准确地求解管网的水力工况.     

分布式测控系统面向对象的软件结构框架

面向服务于航空试验的测控系统,从分析分布式测控系统中对象及其特点入手,在分布式测控系统面向对象的系统软件设计中提出功能对象与运行对象的概念,归纳出实现分布式测控的基本结构对象,并提出了一种基于这些基本结构对象的软件结构框架。这种软件构架方法在某型号项目的实际工程中得到应用,取得了良好的效果。