基于截面特征相容的曲面约束重构

为了从点云中重建高品质的曲面模型,提出一种基于截面特征相容的曲面重构方法.该方法将由点云切片获取的截面曲线分层次表达为直线、圆弧、B样条等基本曲线元和特征点的集合,并基于曲线微分几何属性,建立截面曲线特征点对应的数学模型,采用动态规划法求解并确定其初始对应关系,以曲线元特征匹配准则优化对应,逐步确立截面曲线间的特征对应关系,将特征对应关系映射为参数对应即可利用成熟算法逼近生成蒙皮曲面.实例表明,该算法获取的曲面模型不但满足精度和光顺性要求,而且忠实地反映了原始物理样件所蕴含的特征信息.     

Multi-Scale Feature Extraction for Joint Classification of Hyperspectral and LiDAR Data

With the development of sensors, the application of multi-source remote sensing data has been widely concerned. Since hyperspectral image (HSI) contains rich spectral information while light detection and ranging (LiDAR) data contains elevation information, joint use of them for ground object classification can yield positive results, especially by building deep networks. Fortunately, multi-scale deep networks allow to expand the receptive fields of convolution without causing the computational and training problems associated with simply adding more network layers. In this work, a multi-scale feature fusion network is proposed for the joint classification of HSI and LiDAR data. First, we design a multi-scale spatial feature extraction module with cross-channel connections, by which spatial information of HSI data and elevation information of LiDAR data are extracted and fused. In addition, a multi-scale spectral feature extraction module is employed to extract the multi-scale spectral features of HSI data. Finally, joint multi-scale features are obtained by weighting and concatenation operations and then fed into the classifier. To verify the effectiveness of the proposed network, experiments are carried out on the MUUFL Gulfport and Trento datasets. The experimental results demonstrate that the classification performance of the proposed method is superior to that of other state-of-the-art methods.     

特征图聚集多尺度行人检测高效算法

针对使用人工设计特征训练的行人检测算法准确率和效率较低的问题,提出一种采用卷积神经网络特征图聚集多尺度行人检测高效算法. 设计一种特征图聚集网络,将高层次特征图与低层次特征图进行聚集,构造出有较好空间分辨和语义能力的特征图;构造特征延伸网络,提供用于多尺度行人检测的特征图;重新设计目标候选区域,构造多尺度行人检测网络,提升定位准确性,并将特征图聚集网络、特征延伸网络和多尺度行人检测网络组合进行端到端训练. 实验测试结果表明,该算法可以有效提高行人检测与定位准确性,并可在普通硬件设备条件下提供实时检测.     

多尺度特征提取和多级别特征融合的显著性目标检测方法

显著性目标检测已经被广泛应用到图像检索、图像分割、行人重识别等领域.目前主流的显著性目标检测方法通常采用短连接加权的方式融合多级别特征信息,这种方式无法精准有效地控制信息流的传递.而且,现有的检测方法通常采用单一的特征检测,导致显著性目标区域与背景的边界不连续、易模糊.因此,本文提出一种多尺度特征提取和多级别特征融合的...     

融合低秩和形态学的高光谱影像特征提取

高光谱遥感影像具有较高的光谱分辨率,能够精细刻画地物的反射光谱,具有很高的地物分类与识别能力. 但高维波段之间通常具有较高的相关性,冗余度高,为影像处理和分析带来负担. 针对高光谱影像特点的特征提取和选择为有效提取信息提供了保障. 提出一种融合低秩和形态学的特征提取方法(MSEMP),利用低秩来精简高光谱影像中的冗余信息,获取秩最小的光谱紧致表达,并在此基础上利用多形态多尺度结构元素提取形态学剖面,获取影像空间特征. 实验对AVIRIS和ROSIS传感器的两组数据进行测试,通过MSEMP提取特征后进行分类实验,可以获得较高的分类结果,证明了低秩和形态学相结合的特征提取方法的有效性.     

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%。     

太赫兹频段微动特征边缘检测及提取方法

太赫兹雷达大带宽、高频率等技术特点可以有效提高雷达系统对微动目标的探测精度,使得结合太赫兹雷达开展微动特征提取具有可行性。该文结合典型微动特征模型,针对时频谱曲线的提取,提出了一种基于边缘检测的时频曲线提取算法,进而获得微动特征参数。通过实测数据验证,该方法可有效提取多散射中心微动目标的特征参数,为进一步开展微动信号处理及目标识别提供了有效的技术途径。     

高效通道注意力和特征融合的协同显著性检测算法

针对现有的协同显著性检测算法在多显著目标复杂场景下表现不佳的问题,提出了一种基于高效通道注意力和特征融合的协同显著性检测算法。首先,检测算法利用预训练的深度卷积神经网络对场景进行多尺度特征的提取,结合边缘显著信息设计了显著性语义特征提取模块,以避免全卷积神经网络导致边缘信息的缺失;其次,通过内积基本原理得到组内图片间的关联性信息并根据其关联程度进行自适应加权,结合高效通道注意力层设计了协同特征提取算法;最后,为了将各级高层语义特征经过协同显著性特征提取之后的结果与浅层次的特征进行融合,并实现对预测结果进行多分支同步监督,设计了基于高效通道注意力的特征融合模块。通过对3个经典的数据集进行测试,并与6种现有的协同显著检测算法进行对比,结果表明本文所提算法提高了复杂场景中图像的协同显著性检测的精度以及边缘信息的丰富程度,并具有更优的协同显著性信息检测性能;通过消融实验进一步验证了所提设计算法各个模块的有效性和必要性。     

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.     

点云数据的管道面重构

针对反求工程中管道面重构问题，提出了一种从点云数据中直接提取管道面特征参数的算法.算法
分为两步：第一步将管道面数据视为过渡特征数据，利用过渡特征提取原理获得管道面的一系列截面线
，经概率统计方法进行噪声去除后，得到准确的截面线及其半径.第二步是由截面线的中心确定管道面的
脊线点列.利用移动球法，球的直径即是采样步长，沿着脊线方向对点列进行均匀采样，然后对采样点列
进行高斯平滑，获得光滑均匀的脊线点列.用三次B样条曲线拟合采样点列而获得脊线.计算实例表明，该
方法能够稳定、准确地提取出管道面的几何特征参数.     

截面线特征直接提取的离散曲率法

特征提取是逆向工程的重要步骤,其中截面线特征点的弱化是需要解决的关键问题.提出用离散曲率法提取特征点,曲率表达式包含了高斯核函数曲线,选用了合适的离散尺度因子.根据一阶和二阶离散曲率曲线的局部极值点,确定出截面线特征点集,进行特征点的融合,输出最终的截面线特征点集.通过与文献算法的输出进行比较,表明本算法提取的截面线特征点不容易有漏检和误检,能最大限度地与原有形状特征元保持一致.仿真输出实例证实了本算法的适用性和有效性.     

基于视觉注意的动态阈值分割算法

提出一种基于视觉注意机制的动态阈值选取方法.首先按人眼视觉注意特点计算各图块的显著性特征值,根据显著性特征值将图像块进行分类,然后利用最大类间方差法和多尺度的自适应阈值方法分别实现不同灰度特性区域的图像动态分割.实验结果表明:该方法能够实现图像多阈值的自动选取,不受照明条件的影响,能够获得满意的二值分割效果     

基于KFDA-SVM的入侵检测技术（增刊）

为了提高分类正确率和减少训练时间，将特征抽取技术与分类算法结合，提出了一种基于KFDA-SVM的入侵检测技术。采用KFDA抽取最佳鉴别矢量，运用SVM对投影后的数据分类。同时根据入侵数据高维异构小样本的特性，提出一种基于HVDM的混和核函数。采用KDD 99数据集进行试验，验证了该算法的有效性。     

一种基于斜率差和方位角的矢量数据匹配算法

矢量空间数据同名特征点搜索和同名特征点匹配是对多时相、多尺度地理实体要素进行变化检测的关键技术。结合矢量空间数据的坐标特征和方位角,提出一种同名地理实体要素特征点搜索与匹配算法。该算法采用分步取点的思想,分别提取曲线X、Y方向上的极值点为初始特征点,利用各极值点斜率差的绝对值作为约束条件删除冗余极值点。在上述提取结果中,两个相邻特征点通常存在较大变形,需添加部分合理特征点。综合利用特征点坐标方位角和距离进行同名特征点相似度匹配,分别利用线实体和面实体进行试验验证。结果表明:本研究算法能够适用于线实体和面实体特征点的提取与匹配,并具有良好的精度和可行性。     

结合结构与梯度的图像哈希算法

为了提高分类性能和运算效率,提出结合结构特征与梯度特征的图像哈希算法. 该算法对输入图像进行预处理提高算法的鲁棒性,将预处理后的图像转换到YCbCr颜色空间,提取亮度Y分量. 利用Y分量的峰顶曲线和峰谷曲线来获取外部结构特征,同时提取峰顶和峰谷的位置信息来构建内部结构特征. 结合外部结构特征和内部结构特征得到图像的结构特征;提取Y分量的横向梯度与纵向梯度来构建图像的梯度特征;将结构特征与梯度特征联合起来并扰乱得到最终的哈希序列. 实验结果表明,所提算法对亮度调整、对比度调整和高斯低通滤波等保持内容的图像处理较稳健. 与已有算法对比,该算法具有更好的受试者工作特性（ROC）曲线和较好的图像分类性能,在篡改检测实验中,该算法可以有效地检测篡改图像.     

基于动作基元的拟人机械臂仿人运动规划

拟人机械臂的仿人运动作为仿人机器人的运动基础,一直都是研究的热点及难点。针对拟人机械臂仿人运动的模型多样化及运动相似性特点,本文提出了一种基于动作基元的拟人臂仿人运动规划算法,对模型建立和逆运动学求解两方面展开研究。首先对手臂结构进行解耦,通过引入动作基元的概念,将动作基元作为连接手臂模型及拟人臂模型之间的桥梁,从而满足模型多样化的要求。提出动作基元的提取法则,确定不同动作基元之间的连接方式,建立动作基元与拟人臂反解算法之间的映射关系。同时提出了一种基于动作基元的运动框架,以满足不同拟人臂平台的仿人运动任务,实现方法的通用性。其次,针对多模型状态下的逆运动学求解问题,根据动作基元的运动特点,建立了不同动作基元模型下的拟人臂臂姿预测指标,实现拟人臂逆运动学的求解。最后,在仿人机器人NAO平台上分别进行了相似性实验验证和仿人运动实验验证。在相似性实验中,NAO采用该方法产生仿人运动并与实际人臂运动进行对比,运动过程中的肘部误差能够控制在1cm以内,满足仿人运动的精度要求。在仿人运动实验中,该方法分别与最小势能法和最小二乘法进行了一组仿人运动对比,在相似度上分别提高了7%和58%。该方法的提出在保证拟人臂仿人运动精度的基础上,使复杂的仿人运动模块化、简单化。     

基于改进DenseNet的水果小目标检测

针对自然环境中小目标水果的检测精度普遍较低的问题,提出基于DenseNet改进的水果目标检测框架. 构建以DenseNet为核心的多尺度特征提取模块,在DenseNet不同层级的稠密块中建立特征金字塔结构,加强网络层特征复用. 结合低层特征的高分辨率和高层特征的高语义性,实现准确定位和预测小目标水果存在的目的. 引入软阈值非极大值抑制（Soft-NMS）算法,改善簇状果实结构中检测框被误剔除的情况. 与常用的Faster R-CNN网络相比,所提出的框架在苹果、芒果和杏3个数据集中的平均检测速度大于40 FPS,F1值分别为0.920、0.928、0.831,实现了检测效率及精度的提升.     

Power Plant Indicator Light Detection System Based on Improved YOLOv5

Electricity plays a vital role in daily life and economic development. The status of the indicator lights of the power plant needs to be checked regularly to ensure the normal supply of electricity. Aiming at the problem of a large amount of data and different sizes of indicator light detection, we propose an improved You Only Look Once vision 5 (YOLOv5) power plant indicator light detection algorithm. The algorithm improves the feature extraction ability based on YOLOv5s. First, our algorithm enhances the ability of the network to perceive small objects by combining attention modules for multi-scale feature extraction. Second, we adjust the loss function to ensure the stability of the object frame during the regression process and improve the convergence accuracy. Finally, transfer learning is used to augment the dataset to improve the robustness of the algorithm. The experimental results show that the average accuracy of the proposed squeeze-and-excitation YOLOv5s (SE-YOLOv5s) algorithm is increased by 4.39% to 95.31% compared with the YOLOv5s algorithm. The proposed algorithm can better meet the engineering needs of power plant indicator light detection.     

基于注意力机制和多层次特征融合的目标检测算法

为了提高目标检测的准确率,提出一种基于注意力机制和多层次特征融合的图像目标检测算法。该算法在Cascade R-CNN模型的基础上,以RseNet50为主干网络,通过嵌入简单的注意力模块（SAM）来提高网络的判别能力;其次,利用深度可分离卷积改进特征金字塔网络（FPN）,设计了多层次特征融合模块（MFFM）,对多尺度特征进行融合,以丰富特征图的信息量,并对不同层次的特征图赋予相应的权重以平衡不同尺度的特征信息;最后,结合目标检测方法中的区域建议网络（RPN）结构获取目标的候选区域进行分类和回归处理,确定检测目标的位置和类别。实验结果表明,相较于Cascade R-CNN目标检测算法,该算法的检测精度提升了约2.0%。     

基于小波变换的人脸检测

提出了一种基于二维离散小波变换的人脸检测算法。该算法采用Haar小波计算小波脸,导出了提取人脸特征向量的相应公式,利用感知准则训练线性分类器进行分类判决。在4个不同的人脸数据集上与特征脸方法进行了比较。结果表明,该算法的计算效率和检测精度均优于特征脸方法。