多尺度特征融合的目标检测算法研究

针对Faster R-CNN在多尺度目标检测时易出现小目标漏检和误检的问题,提出一种改进的多尺度目标检测算法。将利于小目标检测的低层网络和利于大尺度目标检测的高层网络进行多尺度特征融合;在训练阶段,采用在线难例样本挖掘算法维护难例样本分类池,加速神经网络模型迭代收敛,解决训练样本不均衡、训练效率低下的问题;计算并统计待检测目标的尺度大小,合理控制用于生成候选区域的锚框尺寸,提高模型泛化能力。采用PASCAL VOC2012公开数据集和类人足球机器人自建数据集进行算法验证,实验结果表明,相比Faster R-CNN算法,本算法的平均检测精度在上述数据集下分别提高了8.61和5.47个百分点。     

低空监控系统的红外小目标检测方法

无人机遥感系统在检测复杂背景下红外小目标时存在虚警过高的问题,结合卷积神经网络提出一种两阶段的无人机遥感系统红外小目标检测模型。第一阶段利用Unet神经网络学习红外图像中目标的深度语义特征与浅层位置特征,同时增强红外小目标信号,并抑制背景信号。第二阶段利用Faster R-CNN对第一阶段输出的图像进行分析,检测图中红外小目标的位置与边框。在公开的无人机遥感系统红外小目标检测数据集上完成了验证实验,结果表明该模型将三个复杂背景数据集下红外小目标的检测精度分别提高了13.2、9.8与13个百分点,每秒处理的帧数分别增加了11、14与13。     

基于改进Faster R-CNN的红外目标检测算法

为提升红外目标的检测精度,提出了一种引入频域注意力机制的Faster R-CNN红外目标检测算法。首先,针对红外图像边缘模糊和噪声问题,设计了一种并行的图像增强预处理结构;其次,在Faster R-CNN中引入频域注意力机制,设计了一种新型红外目标检测主干网络;最后,引入路径增强金字塔结构,融合多尺度特征进行预测,利用底层网络丰富的位置信息,提升检测精度。在红外飞机的数据集上进行实验,结果表明,改进后的Faster R-CNN目标检测框架比以ResNet50为主干的算法的AP提升了7.6%。此外,与目前主流算法对比,本文算法提高了红外目标的检测精度,验证了算法改进的有效性。     

基于混隐色特征背景引导融合的伪装效能评估

现有迷彩伪装效能评估方法重点关注目标与背景在颜色、纹理等特征上的相似度,未能从伪装策略角度分析目标边缘和表面的融合程度,无法准确评估复杂环境下目标的伪装效果。本文提出一种基于混隐色特征背景引导融合的伪装效能评估模型,利用多重分形理论和Gabor滤波器估计目标轮廓和表面破坏程度;引入特征拥塞指数计算背景复杂度,通过逻辑斯蒂方程自适应调整评估特征权重,提高模型对环境变化的适应性。实验表明,该模型在Search＿2数据集上的搜索时间相关性系数（皮尔逊相关系数、斯皮尔曼相关系数、均方根误差）分别达到0.888、0.773、0.054,在自建CamData数据集上分别达到0.835、0.805、0.126,评估结果与人眼搜索实验结果符合性较高,能够有效表征目标在不同复杂场景下的伪装效能。     

改进的SSD算法及其对遥感影像小目标检测性能的分析

针对以Faster R-CNN为代表的基于候选框方式的遥感影像目标检测方法检测速度慢,而现有SSD算法在小目标检测中性能低的问题,提出一种改进的SSD算法,综合利用现有基于候选框方式和一体化检测方式的优势,提升检测性能。该算法利用密集连接网络替换原有的VGGNet作为骨干网络,并且在密集连接模块之间构建特征金字塔,代替原有多尺度特征图。为验证所提算法的精度及性能,设计样本数据在线采集系统,并采集飞机及运动场目标样本集作为实验样本,通过对改进SSD算法的训练,验证了其网络结构的稳定性,在无迁移学习支持下依然能够达到良好效果,且训练过程不易发散。通过对比以101层的残差网络(ResNet101)作为基础网络的Faster R-CNN算法和R-FCN算法可知,改进SSD算法较Faster R-CNN算法和R-FCN算法的MAP在测试集上分别提升了9.13%和8.48%,小目标检测的MAP分别提升了14.46%和13.92%,检测单张影像耗时71.8 ms,较Faster R-CNN和R-FCN算法分别减少45.7 ms和7.5 ms。     

基于改进Faster R-CNN的空中目标检测

相比传统图像目标检测算法,基于大数据和深度学习的检测算法无须人工设计特征,且检测性能更稳健。在防空应用背景下,自建了空中目标静态和视频图像数据集用于训练和测试,改进了基于深度学习的目标检测框架Faster R-CNN,将其专用于空中目标检测。结合空中目标检测任务的特点和需求,提出膨胀积累、区域放大、局部标注、自适应阈值、时空上下文等改进策略,弥补了Faster R-CNN对弱小目标和被遮挡目标不敏感的缺陷,提高了检测速度和精度。实验表明,改进后的Faster R-CNN在应对弱小目标、多目标、杂乱背景、光照变化、模糊、大面积遮挡等检测难度较大的情况时,均能获得很好的效果。数据集上测试结果的平局准确率均值较改进之前提高了16.7%,检测速度提高了3倍。     

基于非负矩阵分解和IHS颜色模型的偏振图像融合方法

针对传统偏振图像伪彩色融合方法存在的不足,提出了一种基于非负矩阵分解和IHS(Intensity Hue Saturation)颜色模型的图像融合方法.首先将偏振信息解析得到的各偏振参量图像作为原始数据集进行非负矩阵分解,得到三幅特征基图像,这些特征基图像包含了场景的大部分偏振信息;然后将三幅特征基图像经直方图匹配之后,分别映射到IHS颜色模型的三个颜色通道,最后变换到RGB颜色空间,得到融合后的图像.实验结果表明,该方法不仅具有较好的色彩表达能力,而且有效地突出了目标的细节信息,提高了图像的可判读性.     

基于非负矩阵分解和IHS颜色模型的偏振图像融合方法

针对传统偏振图像伪彩色融合方法存在的不足,提出了一种基于非负矩阵分解和IHS(Intensity Hue Saturation)颜色模型的图像融合方法.首先将偏振信息解析得到的各偏振参量图像作为原始数据集进行非负矩阵分解,得到三幅特征基图像,这些特征基图像包含了场景的大部分偏振信息|然后将三幅特征基图像经直方图匹配之后,分别映射到IHS颜色模型的三个颜色通道,最后变换到RGB颜色空间,得到融合后的图像.实验结果表明,该方法不仅具有较好的色彩表达能力,而且有效地突出了目标的细节信息,提高了图像的可判读性.     

基于偏振光谱成像的目标识别方法研究

为提高伪装目标识别的准确性,提出将光谱信息与偏振信息相融合的伪装目标识别方法。基于液晶可调谐滤光片（LCTF）搭建了偏振光谱成像系统,通过实验对绿色植物中隐藏的假植株进行偏振光谱探测实验。利用主成分分析法（PCA）对各偏振方向的目标光谱图像进行波段选择,获取对应的光谱融合图像后进行偏振度计算,最终得到被测目标的偏振光谱融合图像。实验结果表明:得到的偏振光谱融合图像与光谱融合图像相比,信息熵提高了72%,平均梯度提高了250%。     

基于中国颜色体系的lαβ空间低照度伪装目标偏振检测

针对复杂背景中低照度伪装目标检测难度大的问题,基于中国颜色体系建立了lαβ颜色空间的l分量数据表,通过外场偏振检测实验,测试了伪装目标在一天中偏振信息的变化情况,并研究了此分量表征偏振信息和反映偏振检测能力的问题。实验结果表明,利用建立的l分量数据表,在低照度条件下l分量的灰度(偏振度)级分辨率较L*分量高,虽然在灰度图中目标与背景对比度较低不易识别目标,但在偏振图中不仅目标与背景的对比度明显提高,而且对阴影目标检测能力较强,计算结果与人眼观察结果一致。     

基于高光谱特征的迷彩伪装评价

伪装效果分析是伪装设计和识别的重要环节,为了对高光谱探测下的目标伪装效果进行有效评价,结合高光谱图像光谱分辨率较高的特点,提出了一种基于高光谱特征的迷彩伪装评价方法。在光谱维,分析并提取伪装目标的光谱特征。在空间维,对图像第一主成分进行多层小波分解,提取高频分量和低频分量的比值、水平分量和垂直分量的比值以及低频图像的对比度、相关性、能量、同质性等6个特征作为纹理特征。利用欧氏距离分别计算光谱特征距离与纹理特征距离,最后将二者进行综合,距离越小说明伪装效果越好。实验数据表明:本文的方法可以量化高光谱成像下的迷彩伪装效果,评价客观。得到迷彩雨衣与草坪背景之间的综合距离为1.3225,两者融合效果最好。     

一种光谱偏振成像系统设计及应用

为了获取目标和背景的偏振信息,提高地面目标识别的准确度,提出一种光谱偏振成像探测系统。该系统采用旋转偏振片的方式对入射光的偏振状态进行调制,通过旋转滤光片进行光谱选择,从而实现光谱偏振成像探测。通过对该系统偏振度的探测精度进行实验测试,结果表明,所设计的光谱偏振成像探测系统达到4%的探测精度。利用该系统对地物背景中的迷彩伪装板进行了探测实验,分析所得的偏振度图像发现,目标在背景中较为明显,与草地及土壤背景区域偏振度的差值分别达到0.292和0.283。     

基于改进旋转区域生成网络的遥感图像目标检测

为了实现遥感图像中目标的快速准确检测,解决遥感图像目标带有旋转角度的问题,在卷积神经网络理论的基础上,将旋转区域网络生成融入到Faster R-CNN网络中,提出了一种基于Faster R-CNN改进的遥感图像目标检测方法。相对于主流目标检测方法,本文算法针对遥感图像中的大多数目标都具有方向性不定且相对聚集的特点,在区域候选网络中加入了旋转因子,以便能够生成任意方向的候选区域;同时,在网络的全连接层之前增加一个卷积层,以降低其特征图参数,增强分类器的性能,避免出现过拟合。将本文算法与几种主流目标检测方法进行对比分析后可知,本文算法因融合了多尺度特征及旋转区域网络的卷积神经网络所提取的特征,能得到更好的检测结果。     

基于光子晶体的热红外迷彩

低发射率光子晶体(PC)具有高反射特性,在高温环境的强烈照射下,高反射光子晶体会成为亮目标。为了使光子晶体具有环境适应性,使之在相当宽的照度范围内都能与背景融合,对光子晶体的特性进行了深入研究。采用改变光子晶体周期数的方法,设计并制作了发射率分别为0.116、0.212、0.307、0.519、0.606、0.718的6种光子晶体,拼接成4块光子晶体迷彩(PCpp),并将其覆盖在仿真目标上。用8~14μm热像仪观察目标和背景,并记录各个时间点的平均辐射温度数据,利用辐射温度来计算目标和背景之间的欧式距离和目标在此背景下的伪装效率。对比结果发现,发射率为0.212、0.307和0.606的光子晶体迷彩在温度范围为292~302K的条件下,该光子晶体迷彩的平均温度与草地背景温度的欧式距离为12.55K,极限温差ΔT0为4K时的伪装效率为76.92%,能够使目标和背景很好地融合。     

基于中心点的遥感图像多方向舰船目标检测

针对目前基于深度学习的舰船目标斜框检测方法存在计算量大、效率低的问题,提出一种基于目标中心点的单阶段检测模型.由于舰船中心点不受舰船分布方向影响,模型主要思想是以目标中心点检测为基础,回归中心点处目标斜框的尺度和方向.首先设计特征提取网络,将卷积神经网络细节信息丰富的底层特征与语义信息丰富的高层特征融合起来形成特征图;然后将特征图输入到三个检测分支,分别预测目标中心点、中心点偏移值以及斜框的尺度与方向;设计组合损失函数对网络进行训练,并改进非极大值抑制算法以适应目标斜框检测的需要.在公开的SAR图像舰船目标检测数据集与光学遥感图像上进行了实验,实验结果表明,测试集平均准确率达0.906,检测精度与速度均优于其它检测模型,充分验证了所提算法的有效性.     

偏振光谱多维信息的重构融合算法

针对传统光学手段难以实现复杂背景下光谱伪装目标的准确识别,同时,常规的数据融合方法易导致图像信息丢失的缺点,提出了一种基于非下采样轮廓波变换的偏振光谱多维信息融合方法。该方法结合自研的新型偏振光谱多维信息探测仪器,根据其获取的目标空间、光谱、偏振等多维信息,设计了多维信息重构算法流程,提取了偏振态基础数据斯托克斯参量以及偏振度和偏振角,利用NSCT对基础偏振参量进行图像融合,提升图像的信息含量以提高伪装物的识别准确率。先对具有相同边缘信息的图像Q和U采用NSCT分解,低通子带取均值,高通子带取最大值进行初步融合,获得偏振特征S,最后对偏振特征S、强度图像I以及偏振度DoLP进行NSCT分解,对分解所得低通子带进行区域能量加权融合;对高通子带,根据偏振特征图像具有灰度值小,受光照影响大等特点,采用LBP特征进行加权融合。同时,本方法与四类融合方法进行对比,据信息熵、标准差、平均梯度、对比度以及峰值信噪比五项指标对融合结果进行客观评价,并结合普通图像,偏振融合图像,偏振高光谱图像对目标识别精度进行对比。融合后的图像信息熵为6.998 6,标准差为45.599 8,平均梯度为19.808 6...     

长波红外高光谱偏振特性的伪装目标识别方法

光谱偏振探测可以综合获得目标的光谱、强度、偏振态等参数，有利于改善对目标的探测和识别能力。本文介绍了基于红外高光谱偏振特性的伪装目标识别方法，搭建了长波红外高光谱偏振测量系统，开展了对两类伪装目标在不同温度下的高光谱偏振成像实验，获取了有效的实验数据并进行处理分析。结果表明：两类伪装目标即使涂覆相同的表面涂料，但受基底材料的热传导率影响, 在相同温度差异下红外偏振特性的提升量明显大于辐射亮度，并有着温差越大偏振特性提升量差异越大的规律，同时显示出波段选择性。利用两类伪装目标偏振特性提升量的差异，有效解决相同温度下伪装目标无法识别的难题。     

面向嵌入式平台的轻量级光学遥感图像舰船检测

针对现有基于深度学习的轻量级目标检测算法对复杂遥感场景图像中舰船目标检测精度低、检测速度慢的问题,提出了一种面向嵌入式平台的轻量级光学遥感图像舰船实时检测算法（STYOLO）。首先,针对主干网络内存访问成本较高的问题,利用高效网络架构ShuffleNet v2作为主干网络对图像进行特征提取,降低内存访问成本,提高网络并行度;其次,利用Slim-neck特征融合结构作为特征增强网络,以融合较低层级特征图中的细节信息,增强对小目标的特征响应,在多尺度信息融合区域施加坐标注意力机制,强化目标关注以提高较难样本检测以及抗背景干扰能力;最后,提出一种跨域迁移和域内迁移相结合的学习策略,减少源域与目标域的差异性,提升迁移学习效果。实验结果表明：基于光学遥感图像舰船检测公开数据集HRSC2016,与同类型快速检测算法YOLOv5s相比,所提算法的检测精度提高了2.7个百分点,参数量减少了61.77%,在嵌入式平台Jetson Nano上检测速度达到102.8 frame/s,能够有效实现对光学遥感图像中舰船目标的实时、准确检测。     

基于双模态融合网络的目标检测算法

针对红外图像和可见光图像的融合目标检测问题,提出一种基于双模态融合网络的目标检测算法。在同时输入红外和可见光图像对后,利用设计的红外编码器提取红外图像空间特征信息;通过设计的可见光编码器将可见光图像从垂直和水平两个空间方向聚合特征,通过精确的位置信息对通道关系进行编码;最后,采用提出的门控融合网络自适应调节两路特征的权重分配,实现跨模态特征融合。在KAIST行人数据集上,与基准算法YOLOv5-n单独检测可见光图像和红外图像的结果相比,所提算法检测精度分别提升15.1%和2.8%;与基准算法YOLOv5-s相比,检测精度分别提升14.7%和3%;同时,检测速度在两个不同基准算法模型上分别达到117.6 FPS和102 FPS。在自建的GIR数据集上,所提算法的检测精度和速度也同样具有明显优势。此外,该算法还能对单独输入的可见光或红外图像进行目标检测,且检测性能与基准算法相比有明显提升。     

一种数码迷彩的拼接算法

针对数码迷彩图案拼接时出现的接缝,导致形成伪装目标新的暴露特征的问题,提出了一种新的适用于数码迷彩图案的拼接算法。利用位置权重模板的移动,在迷彩图案的左右边缘拼合处添加一列或多列迷彩斑块,使得迷彩图案平滑过渡。实验采用边缘检测算子和峰值信噪比分别对拼接算法进行了定性和定量的效果验证。结果表明,提出的迷彩拼接方法可以有效地降低迷彩在拼接时出现的暴露特征,达到与原迷彩图案自然衔接的效果。