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...     

基于特征融合的长时目标跟踪算法

针对长时目标跟踪中目标遮挡、目标出视野等因素导致的目标失跟问题,提出一种基于特征融合的长时目标跟踪算法,提高目标跟踪的速度和稳健性。首先,融合目标方向梯度直方图特征、颜色空间特征和局部敏感直方图特征,来增强算法在复杂情况下的特征判别力,提高目标跟踪的稳健性,并对融合特征进行降维来提高目标跟踪的速度;然后,通过额外的一维尺度相关滤波器来获得目标最优的尺度估计,并通过正交三角分解来无损降低计算复杂度;最后,自适应确定目标检测阈值,在目标遮挡或出视野导致目标失跟时,通过EdgeBoxes方法提取目标候选区域,利用结构化支持向量机重新检测目标位置达到长时跟踪的目的。在标准跟踪数据集OTB2015和UAV123上进行实验。结果表明,本文算法较对比算法中最优算法目标跟踪平均精度提升5.0%,目标跟踪平均成功率提升2.6%,目标跟踪平均速度为28.2 frame/s,可满足跟踪的实时性要求。在目标受到遮挡、出视野等情况下,该算法仍能够对目标进行持续准确的跟踪。     

基于激光跟踪仪的瑞奇角在位检测方法

为了减小瑞奇-康芒法中瑞奇角测量误差,提升对大口径平面镜面形的检测精度,提出了一种基于激光跟踪仪的瑞奇角在位检测方法。首先使用激光干涉仪与靶球构建离焦定位光路,根据检测结果中Zernike power项系数精确地定位干涉仪焦点的空间坐标;随后用激光跟踪仪的靶球对待测平面镜的镜面及外轮廓进行特征点采样,并由采样点拟合出待测平面镜及瑞奇-康芒检测光路完备的空间几何模型,通过在位计算得到瑞奇角。通过数值仿真,分析出运用该方法检测瑞奇角的相对误差不超过0.017%;相比传统利用平面镜光瞳面的图像压缩比计算瑞奇角的方法,本文方法将瑞奇角的测量误差从约0.2°减小到了0.005°以内。在对430 mm平面镜瑞奇-康芒的检测实验中,选择2个角度进行测量,得到瑞奇角的大小为39.18°和21.12°。解算面形后,得到的平面镜Zernike power项系数的复原误差从6.31%降低至0.028%。通过该方法能够更加精确地测量瑞奇-康芒法中的瑞奇角,从而提高了瑞奇-康芒法对平面镜面形的检测精度。     

基于高效聚合特征增强网络的合成孔径雷达船舰检测方法

合成孔径雷达（SAR）由于散射效应以及波长和天线尺寸的分辨率限制,难以获取小尺寸目标的细节和边界信息,因此,检测准确性不高。为了提高SAR船舰检测的准确率以及降低误检率,提出了一种基于高效聚合特征增强网络的SAR船舰检测方法。首先,在主干网络中采用空间通道注意力机制,构建出高效层卷积块作为主要的特征提取模块,以增强模型的特征获取性能,提高模型对船舰目标的识别能力;其次,特征融合部分采用Inception NeXt模块来提高算法效率;最后,在主干网络以及特征提取部分之间构建出一种全局增强特征金字塔分支结构,进一步融合全局特征,避免传输过程中的低维度特征损失,以提升网络的特征融合能力,使其即使对于复杂背景下的小目标仍然能展现出可靠的检测能力。为了证明所提网络的有效性,在SSDD数据集上作了对比实验,实验结果表明,相较于YOLOv7,所提网络的准确率提升了2.5个百分点,召回率提升了9.2个百分点,交并比（IoU）阈值为0.5时的平均精度提升了6.4个百分点,IoU为0.5∶0.95时的平均精度提升了9.9个百分点。实验结果证明,所提网络在提升SAR船舰检测精度、改善误检漏检等方面有显著优势,可作为高精度的检测方法来有效应对SAR船舰检测中存在的问题。     

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.     

基于改进SSD的车辆小目标检测方法

在实际应用检测模型时,由于真实场景和训练数据集间的差异,检测算法的效果受到较大影响。为了在目标场景中获得更好的检测效果,通常需要采集、标注数据后训练,不仅成本高昂且流程复杂。提出基于注意力机制的全局-实例域适应检测算法与系统,仅需采集部分真实场景数据即可进行迁移学习,实现模型快速训练和边缘端-云端结合的远程部署。该域适应检测算法中,基于注意力机制的全局特征对抗学习算法可减弱背景特征在迁移学习中的负作用;基于字典学习的实例级特征对齐方法,对实例级特征进行高精度对齐。经过实验对比,本文的方法达到了接近SOTA(state-of-the-art)的水平,并通过消融实验定量地证明了本方法对于域适应检测效果的提升。本文将提出的域适应检测技术与具有数据传输链路的边缘端系统结合,在实际场景中使检测效果提升近10个点。

     

基于阵元域数据的联合检测与跟踪算法

为了提高对弱目标的检测与跟踪能力,采用一种基于阵元域数据驱动的联合检测与跟踪算法。在假定多目标信号互不相关,且目标个数已知的条件下,采用最大后验(MAP)方法从阵元域数据中直接估计目标的状态。与传统的检测跟踪算法不同,该算法在目标方位信息的基础上,增加能量信息,用于目标跟踪从而提高跟踪能力,同时又通过跟踪目标轨迹的预测以提高检测能力。仿真结果显示,该算法可提高对弱目标的检测能力和跟踪能力,解决传统的跟踪算法对于交叉目标的错跟与失跟问题,在目标非快速机动的情况下得到很好的检测跟踪结果。海试结果显示该算法具有重要的实际工程应用价值。     

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.     

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。