基于模型更新与快速重检测的长时目标跟踪

在目标遮挡、光线变化等复杂的跟踪环境下,现有相关滤波跟踪算法无法对目标进行长时间实时稳定跟踪。提出一种基于模型更新与快速重检测的长时跟踪算法。首先,在现有的目标定位与尺度变化的相关滤波跟踪算法基础上搭建长时目标跟踪的框架,提出加入模型监测更新机制,根据最大响应和平均峰响应相关能量值判别进入更新或重检测环节;然后,基于提取描述子特征的重检测方法,将提取特征的比特维数统一降到512进行优化,加快重检测速率。所提算法选取OTB-100中20个有代表性的序列进行测试,成功率评估均值为0.706,精确度评估均值为0.805,平均速度为48.5 frame/s;在自采集的数据集上平均准确率能达到87.65%,能够在尺度变化、遮挡等复杂情况下满足长时跟踪的准确性和实时性要求。     

基于特征重聚焦网络的多尺度近岸舰船检测

针对监控视频中的多尺度近岸舰船检测问题,提出了一种基于特征重聚焦网络的舰船目标检测算法,设计了由多维特征聚合模块(MFAM)与注意力特征重构模块(AFRM)组成的特征重聚焦策略.其中,MFAM基于输入的特征金字塔构建特征聚合块,进一步融合多尺度舰船不同层次特征的语义信息.AFRM基于多分支空洞卷积以及通道与空间注意力机...     

基于改进YOLOv5的无人机检测方法

针对小尺寸无人机目标检测精度低,且深层网络的参数量大、内存占用高等问题,提出一种基于改进YOLOv5的无人机检测方法。首先,调整了YOLOv5多尺度预测层的个数,裁剪掉冗余网络层,有效减少网络参数量,提高无人机检测速度;其次,通过在特征提取阶段引入多个不同采样率的空洞卷积,增强小目标的多尺度细节特征提取能力;最后,在多尺度特征融合阶段引入注意力机制,将深层特征进行通道加权后再与浅层特征进行高效融合,增强小目标特征表达能力。实验表明,改进的YOLOv5模型在自制数据集上mAP达到了99.02%,对于小尺寸的无人机目标,具有更好的检测效果。相较于改进前网络,检测速度提高了10.3%,内存开销节约了65%,降低了对设备计算和存储能力的要求,更加有利于无人机检测系统的工程部署和实际应用。     

基于注意力融合的目标跟踪算法

针对基于孪生网络的目标跟踪算法存在抗干扰能力弱、鲁棒性差等问题,在SiamCAR基础上提出通道和空间注意力融合的目标跟踪算法。在特征提取子网络和分类回归子网络之间级联改进后的高效通道注意力和空间注意力模块,加强网络对互相关后响应图中重要通道特征和位置特征的关注,同时抑制不重要的特征信息。在OTB100上,所提算法在背景杂乱挑战下成功率和精度相比SiamCAR分别提高了3.1%和2.8%;在VOT2018上,所提算法的鲁棒性和期望平均重叠率相比SiamCAR分别提高了4.9%和2.2%。实验结果表明,所提算法增强了跟踪器的鲁棒性,提升了跟踪器在复杂场景下的跟踪效果。     

面向无人机的轻量级Siamese注意力网络目标跟踪

随着无人机技术在军事、民用等领域的广泛运用,高精度、低功耗智能无人机跟踪系统的需求也日益增多。针对无人机跟踪任务中目标尺度变化大、视野角度多变、遮挡等问题,提出了一种基于轻量级Siamese注意力网络的无人机实时跟踪算法。首先,选取易于部署在嵌入式设备中的轻量级卷积神经网络MobileNetV2作为特征提取主干网络;接着,设计通道空间协同注意力模块,增强模型的适应能力与判别能力;然后,搭载区域建议网络,通过互相关获取前景背景分类和边界框回归响应图;最后,加权融合多层响应图,调整候选区域筛选策略,计算得到更加准确的跟踪结果。在无人机跟踪数据集上的仿真实验结果表明,相对于当前主流算法SiamRPN,该算法跟踪精度提升了3.5%,能更好地应对复杂多变的场景。同时,在NIVIDA RTX 2060 GPU上,跟踪速度达到60 frame/s。     

基于全局感知孪生网络的红外目标跟踪

目前大多数热红外(TIR)目标跟踪算法都是基于相关滤波或者使用彩色跟踪器的模型进行特征提取.然而,两者都存在适用于彩色目标跟踪却对红外目标特征不敏感的缺陷,导致无法良好地应用到红外目标跟踪.为此,提出一种基于全局感知的孪生神经网络的红外目标跟踪器.将孪生神经网络的后三层特征进行融合优化,得到新的特征,同时加入了由空间转...     

改进YOLO轻量化网络的行人检测算法

针对当前行人检测方法计算量大、检测精度低的问题,基于YOLOv4-tiny提出一种改进的行人检测算法.引入通道注意力和空间注意力模块(CBAM)至CSPDarknet53-tiny网络中,通过学习图像的位置信息和通道信息得到更加丰富的特征;在骨干网络CSPDarknet53-tiny之后引入空间金字塔池化模块,能够极大...     

改进YOLOv4的铁路沿线遥感影像地物检测方法

近年来,高分遥感影像技术的快速发展为铁路沿线地物检测提供了一种重要技术手段。基于回归的一阶段目标检测方法YOLOv4具有检测精度高、速度快等优点,但用于遥感影像检测时仍然存在部分细节特征信息丢失导致的小目标漏检,以及进行大面积地物检测时效率低的问题。为此,提出改进YOLOv4网络模型对遥感影像铁路沿线地物进行检测。首先,设计由卷积、批量归一化和Mish激活函数组成的CBM(convolution batch normalization mish)模块,并采用DCBM(double CBM)模块作为密集连接网络(DenseNet)的传输层用于YOLOv4网络特征提取以实现地物特征传递和信息重用,增强小目标地物的检测能力,降低漏检率;然后针对YOLOv4在大面积检测时效率不高和模型参数空间较大的缺陷,将压缩激励SE(squeeze excitation)通道注意机制用于骨干网中跨阶段局部单元(cross stage partial, CSP)的每个残差单元之后,减少SE注意模块的重复调用次数,使其能够在提高网络性能的同时降低模型参数量从而提高检测效率;最后,针对长条形状的铁路目标提取困难问题,在网络结果输出之前引入改进的通道空间注意力机制ICBAM(improved convolutional block attention module) 保留原始特征信息,解决铁路目标特征提取能力差的问题,提高铁路中大尺度目标的检测效率。为验证所提方法的有效性,选取2 048张分辨率为1 920×1 080的某段铁路沿线遥感影像地物样本数据,将其中的铁路、房屋、楼宇建筑、农田和水池作为检测目标进行实验,并与当前流行的目标检测方法进行对比。结果表明,改进方法不仅增强了对小目标地物的检测能力,提高了地物检测精度和速度,而且提高了大尺度目标的检测效率。与YOLOv4算法相比,mAP提高了2.11%,准确率提高了2.93%,召回率提高了3.79%,模型大小减少了8.53%。所提方法为当前应用高速铁路沿线遥感影像地物快速精准检测提供了有效方法。     

基于模板的非参量统计的视频图像中人的检测跟踪方法

为了克服低分辨率条件下复杂环境和人本身变化对视频图像检测的影响,将人体分为多个部分,通过高斯函数,为每个部分建立颜色线性模型.通过多个线性模型的组合,使得特征更加具有鲁棒性.在Mean shift方法基础上,利用空间位置关系建立模板,得到基于模板的非参量统计方法.该方法要优于单一的Mean shift方法.     

基于YOLOv4的目标检测优化方法

针对YOLOv4目标检测网络结构复杂,参数量以及计算量大等问题,提出了一种轻量化目标检测算法（YOLOv4-GC）。首先,使用ghostnet结构替换原始YOLOv4的主干网络,降低了获取冗余特征图像的计算量,在SPP与PANet模块中使用深度可分离卷积,使模型的计算量和参数量比原始YOLOv4分别降低82%和80%;再结合PyConv多尺度卷积设计出Py-PANet金字塔结构,提高了模型对于图像特征的提取和融合能力。在Pascal VOC数据集上的实验结果表明,在保证模型精度的情况下模型的参数量和计算量相比原始有明显降低。     

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。     

基于电光效应的相干检测星间跟踪技术

设计了一种新颖的高灵敏度和高精度星间跟踪系统方案,该方案中的关键是利用具有线性电光效应的LiNbO₃晶体使入射光束产生圆锥形扫描,然后采用相干检测方法确定该光束的空间方位,据此调整细瞄准镜,实现星间跟踪.     

一种抗遮挡抗干扰的目标检测跟踪方法研究

研究了复杂背景环境下抗遮挡和抗干扰的目标检测跟踪技术。提出了基于轨迹预测关联的红外/可见光混合决策检测跟踪算法,开发了基于VPX总线架构的FPGA+DSP硬件模块和关键软件模块。结果表明,该方法综合利用红外与可见光两种图像的优势信息检测跟踪同一目标,能够有效地解决目标检测跟踪过程中抗遮挡和抗干扰的问题。     

无源声呐场景中使用辅助粒子滤波的邻近目标检测前跟踪方法

针对无源声呐多目标方位跟踪问题,研究了一种基于粒子滤波的检测前跟踪方法,关注于改善邻近目标和机动目标的跟踪性能。首先,提出了一种考虑了邻近目标影响的似然函数;其次,采用辅助变量利用量测信息优化粒子采样,当算法运动模型与目标实际运动状态失配时,这种策略具有很大优势。结合以上两点,提出了一种检测前跟踪算法,该算法将邻近目标划分为一组,使用邻近目标的预测状态计算目标的似然,计算效率较高。利用仿真生成的数据和海上采集的实际数据分别验证了该算法的性能,并与其他多目标粒子滤波检测前跟踪算法进行比较,证明了该算法具有良好的跟踪性能。在目标邻近和目标机动的情况下,该算法的优势更加明显。     

路面车辆实时检测与跟踪的视觉方法

为向驾驶者提供有效的车辆位置信息,提高驾驶安全性,提出了一种融合多种目标特征的单目视觉车辆检测与跟踪方法。首先,利用车辆尾部的结构对称性提取出感兴趣区域,减少搜索范围。再利用车辆底部的阴影特征,在感兴趣区域中搜寻车辆可能出现的位置,找出假设目标。然后,利用亮度和轮廓信息对假设目标进行对称性验证,排除虚假目标。同时,融合颜色和梯度方向建立目标特征模型,利用均值平移算法在随后的图像序列中对目标进行快速跟踪定位。检测与跟踪联合工作在一种互动机制下,大幅改善了算法的有效性和实时性。实验结果显示,提出方法的正确识别率为96.34%,平均处理速度达24.27 frame/s,能够满足车辆驾驶安全性和实时性要求。     

一种可见光成像的目标检测跟踪方法

在末制导成像阶段目标占据视场的大部分面积,形状信息丰富,这时对目标体上某一固定点的稳定跟踪成为最主要的需求。针对图像灰度过于集中目标难于提取的问题,在图像预处理阶段提出了依据概率统计的图像灰度均衡的方法;为解决图像边角点的快速检测问题,提出了图像二维投影和滑动卷积相结合的方法;最终为实现快速稳定的跟踪,提出了依据角点匹配的形心跟踪方法。根据此算法的特点研制了FPGA+DSP的硬件平台,充分利用FPGA的并行流水特性和DSP的逻辑运算特点,能快速检测到目标形心和进行稳定地跟踪,验证了方法的有效性和实用性。此方法应用在某课题上,跟踪效果良好,为试验的圆满成功提供了保障。     

基于嵌入式的遥感目标实时检测方法

当前基于深度学习的遥感图像目标检测方法因模型复杂、计算量大,难以部署在计算资源受限的卫星上进行实时在轨检测.针对该问题,提出一种基于嵌入式的轻量化遥感目标实时检测方法.该方法以YOLOv3-tiny为基础网络,首先通过精简网络与改进多尺度预测对网络结构进行优化,其次引入空间注意力模块以增强遥感目标的特征.实验结果表明,...     

激光跟踪仪检测大口径非球面方法研究

大口径非球面反射镜研磨阶段,在准确测试几何参数的同时,面形也要达到一定的精度要求.利用数值模拟测试过程的方式,评估了使用三坐标测量仪和激光跟踪仪轮廓检测几何参数及面形的精度.针对2 m口径抛物镜的检测指标要求,提出了一种有效的轮廓检测方法.使用4台激光跟踪仪搭建了多边测量系统,采用Levenberg_Marquardt...