基于知识的线状目标边缘提取与识别定位

介绍了基于知识的线状目标的边缘提到，特征表达与识别定位方法，边缘提取与特征表达充分析利用人类关于线状目标的知识，摈弃了传统的图像低，中层处理常用的数据驱动型方法。识别的过程将目标的边缘信息与原始图像的达度信息相结合，避免了复杂背景下图像理解的歧义性，同时圆满解决了由于航空图像的噪声高面蚓的边缘提取的不连续及由此带来的识别难题。本文计算量小，速度快，实用性强。     

基于多尺度几何分析的目标描述和识别

结合多尺度几何分析和局部二值模式算子,构造了一种新的多尺度、多方向局部特征描述子--局部Contourlet二值模式(LCBP).通过对尺度内、尺度间及同一尺度不同方向子带内LCBP直方图统计分析,同时考虑到LCBP的四叉树结构特点和模型的简单性,用两状态HMT描述LCBP系数,得到LCBP-HMT模型.在此基础上,提...     

基于多尺度注意力CNN的SAR遥感目标识别

目标识别是合成孔径雷达（Synthetic Aperture Radar,SAR）图像解译的重要步骤。鉴于卷积神经网络（Convolutional Neural Network, CNN）在自然图像分类领域表现优越,基于CNN的SAR图像目标识别方法成为了当前的研究热点。SAR图像目标的散射特征往往存在于多个尺度当中,且存在固有的噪声斑,含有冗余信息,因此,SAR图像目标智能识别成为了一项挑战。针对以上问题,本文提出一种多尺度注意力卷积神经网络,结合多尺度特征提取和注意力机制,设计了基于注意力的多尺度残差特征提取模块,实现了高精度的SAR遥感图像目标识别。该方法在MSTAR数据集10类目标识别任务中的总体准确率达到了99.84%,明显优于其他算法。在测试集加入4种型号变体后,10类目标识别任务中的总体准确率达到了99.28%,验证了该方法在复杂情况下的有效性。     

一种实时多尺度目标检测识别算法

无人机目标检测与识别任务中,目标随着飞行高度的改变尺寸发生显著变化。常规目标检测模型中,获取的小目标细节信息有限,检测精度较低;而适用于小目标的实时检测模型往往容易丢失大目标的背景信息,降低大目标的检测精度。针对以上多尺度目标检测识别任务难点,提出一种基于改进特征金字塔网络(Feature Pyramid Network, FPN)结构的实时多尺度目标检测识别模型。该模型通过增加特征金字塔层级覆盖更广的目标尺度,获取更为丰富的目标信息;同时,利用跨连接增加不同尺度特征融合的多样性,降低特征传导距离,保留更加完整的尺度特征来提高模型检测识别多尺度目标的性能。通过实验发现,相比于原始网络结构和相同特征层级的四层特征金字塔结构,加入改进特征金字塔结构的多尺度目标检测模型识别性能得到了提升。     

基于深度多尺度一维卷积神经网络的雷达舰船目标识别

为满足雷达舰船目标识别的高实时性和高泛化性的需求,该文提出了一种基于深度多尺度1维卷积神经网络的目标高分辨1维距离像(HRRP)识别方法。针对高分辨1维距离像特征提取难的问题,所提方法通过共享卷积核的权值,使用多尺度的卷积核提取不同精细度的特征,并构造中心损失函数来提高特征的分辨能力。实验结果表明,该模型可以显著提高目标在非理想条件下的识别正确率,克服目标姿态角敏感性问题,具有良好的鲁棒性和泛化性。     

多尺度时空上下文目标跟踪

相关滤波器在视觉目标跟踪中得到了广泛应用,针对复杂场景下目标跟踪容易出现跟踪漂移的问题,以及现有多尺度跟踪算法计算量大的问题,本文提出一种实时的多尺度目标跟踪方法.首先由时空上下文模型输出目标位置置信图完成目标定位,再在尺度空间上训练相关滤波器完成目标尺度估计,最后基于目标位置和尺度提出了一种新的时空上下文模型更新机制,避免了模型更新错误.实验表明:该方法在尺度变化、局部遮挡、目标姿态变化等情况下均能完成鲁棒跟踪,跟踪正确率较原始时空上下文跟踪算法提高了38.4%.     

基于ML-pLSA模型的目标识别算法

为了避免图像目标识别过程中识别结果对分割结果的过度依赖,该文提出了一种基于多尺度的概率潜在语义分析目标识别方法(Multi-Level-probabilistic Latent Semantic Analysis, ML-pLSA)。该方法利用多种分割算法对图像进行多尺度分割,再利用pLSA算法和词袋方法(Bag Of Words, BOW)对分割区域进行目标类别估计,最后联合多尺度的估计值给出最终分割结果。在目标尺度、目标角度、外界光照变化都相对较大的GRAZ-02数据库上进行实验,结果表明：与传统目标识别算法相比,该方法鲁棒性更强;在识别准确率方面,也有了很大的提高,取得了很好的效果。     

针对多尺度目标的轻量级红外目标检测算法

针对现有基于深度学习的红外目标检测算法参数量大、复杂度较高、对多尺度目标检测性能较差等问题,提出了一种针对多尺度目标的轻量级红外目标检测算法。算法以YOLOv3为基础,采用MobileNet V2轻量级骨干网络、设计改进的简化空间金字塔结构（simSPP）、Anchor Free机制、解耦头和简化正负样本分配策略（Sim OTA）分别对Backbone、Neck和Head进行优化,最终得到模型大小为6.25 M,浮点运算量2.14 GFLOPs的LMD-YOLOv3轻量级检测算法。在构建的MTS-UAV数据集上m AP达到90.5%,在RTX2080Ti显卡上FPS达到99,与YOLOv3相比m AP提升了2.60%,模型大小为YOLOv3的1/10。     

基于小波变换的航空红外图像目标的多尺度识别

提出了一种基于高斯小波变换的航空红外图像的目标边缘自动提取的新方法,并利用 目标边缘特征结合目标边缘特征数据库对目标进行识别。该方法利用小波变换良好的噪声抑制能力及完备的边缘保持能力;能够有效的对红外图像进行目标边缘提取、目标增强及噪声抑制等预处理工作,利用得到的边缘特征及数据库,较好的完成红外目标的多尺度识别。     

基于小波多尺度图像配准的运动小目标检测

探讨了一种红外图像序列中独立运动小目标检测的新方法。通过一种鲁棒的小波多尺度图像配准过程消除主场或背景运动的影响。同时,利用改进的Fisher算法及小波变换对低频的图像进行分割,最终将目标从背景中分离出来,并对配准后分割的图像差分,获得目标运动轨迹。实验表明了该方法的有效性。     

基于结构特征的遥感图像机场目标识别

提出了一种遥感图像中机场跑道的自动识别方法。在分析机场结构特征的基础上。首先采用形态学方法提取图像的线结构;然后通过非监督聚类方法将直线段动态分组;最后进行直线段修复和跑道配对,实现对机场的识别定位。计算机仿真验证了该方法的有效性。     

Human object interaction detection based on feature optimization and key human-object enhancement

Aiming at the problem of unclear or missing human object interaction behavior objects in complex background, we propose a human object interaction detection algorithm based on feature optimization and key human-object enhancement. In order to solve the problem of missing human behavior objects, we propose Feature Optimized Faster Region Convolutional Neural Network (FOFR-CNN). FOFR-CNN is an object detection network optimized by multi-scale feature optimization algorithm, taking into account both image semantics and image structure. In order to reduce the interference of complex background, we propose a Key Human-Object Enhancement Network. The network uses an instance-based method to enhance the features of interactive objects. In order to enrich the interaction information, we use the graph convolutional network. Experimental results on HICO-DET, V-COCO and HOI-A datasets show that the proposed algorithm has significantly improved accuracy and multi-scale object detection ability compared with other human object interaction algorithms.     

在航拍图像中自动识别机场跑道的算法

提出了一种用于在航拍图像中自动识别机场跑道的方法，首先，根据机场跑道的诸多特征，构造出机场跑道的模型，然后采用假设，检验的方法，在边缘检测后的图像中，进行搜索，连接，合并，将图像中的跑道识别出来，大量的实验证明，这种方法可以自动在航拍图像中准确，快速地识别出机场跑道。     

基于改进YOLO网络的双通道显著性目标识别算法

由于缺乏目标的先验信息,实时预警检测系统存在虚警率高、实时性偏低等问题,限制了实战环境下的广泛应用。为了提升目标检测识别的性能,本文提出了一种基于改进YOLO网络的双通道显著性目标识别算法,该算法利用红外图像与可见光互补特性进行多尺度融合,并在融合图像上采用显著性检测获取疑似目标区域,最后利用改进的识别网络对疑似区域进行多层次目标识别。改进的YOLO识别网络增加了一路辅助网络,改善整个特征提取网络的性能,并采用注意机制对辅助网络和骨干网络的特征信息融合,增强有效信息通道,抑制无效信息通道,提高网络识别效率。仿真实验结果表明,本文提出的模型可以有效地提高目标检测与识别精度,其实时性得到了大大增强。     

基于曲率关键点的点对特征三维目标识别

精准的三维(three-dimensional,3D) 目标识别对于机器人自主抓取至关重要,针对目前基于原始点对特征(point-pair feature,PPF) 的三维目标识别算法中存在识别速度慢、严重遮挡场景下识别率低的问题,提出了一种基于曲率关键点的点对特征三维目标识别算法。该算法根据点云法向量邻域夹角均值,快速估算点云曲率,以此提取关键点,通过对关键点计算点对特征,剔除了模型点对特征哈希表中存在的大量冗余点对。使用结合位姿聚类和假设检验的位姿优化算法,首先通过位姿聚类对候选假设位姿进行优化,其次位姿聚类后采用ICP (iterative closest point)算法对候选位姿进行细化,最后利用基于重合度计算匹配分数的假设检验算法滤除错误假设并得出最佳假设位姿。实验结果表明,在公开数据集上,所提方法能够获得95.2%的平均识别率,减少模型点对特征哈希表构建时间并且提高在严重遮挡场景下的识别率。     

改进的基于结构光投影的三维物体识别

提出一种在识别后期采用修正的无零级条纹调节联合变换相关代替传统联合变换相关(CJTC)的新的识别方法.此方法在原基础上对功率谱作了一系列修正.理论分析、计算机模拟实验和对实物模型的识别实验结果都表明该方法不仅具有本征三维识别的特点,而且相对于CJTC而言其能够抑制相关面上的中央零级项,很大程度上锐化了一级相关峰,明显地提高了信噪比和识别力.该方法进一步拓宽了三维物体识别的应用前景.     

一种自适应尺度的MSR图像增强方法

针对传统多尺度Retinex增强算法不能有效增强图像不同尺度的细节特征问题,提出了一种自适应尺度的MSR增强算法,利用HSI空间中的亮度分量方差值自适应确定滤波器尺寸,在增大图像对比度、突出图像细节特征的同时保持了图像色彩的稳定性,对光照不均匀图像取得了较好的增强效果。     

基于多尺度对比度塔的图像增强新算法

传统图像增强算法对灰度级比较分散、细节信号分布在整个灰度级空间的图像难以取得令人满意的效果,而且往往在增强图像的同时也使图像的噪声得到了提升。在此针对传统图像增强技术的缺点,提出了一种新的图像增强算法。该算法采用高斯窗口函数对图像进行变换,并通过构造多尺度对比度塔来对图像进行增强。实验结果表明该算法在灰度分散的情况下同样能有效地对细节信号进行增强,同时对图像中的噪声信号也有较好的抑制作用。