融合扰动感知模型的孪生神经网络目标跟踪

针对全卷积孪生网络目标跟踪算法(Siamfc)在严重遮挡、旋转、光照变化、尺度变化等情况下容易出现跟踪失败的问题,提出了一种融合扰动感知模型的孪生神经网络目标跟踪算法。将孪生神经网络提取到的低层结构特征与高层语义特征进行有效融合,以提高特征的表征能力;利用模板自适应策略在线更新模板,以提高算法在遮挡和旋转等情况下跟踪的精确度。与此同时,将基于颜色直方图特征的扰动感知模型引入到算法中,通过加权融合的方式获得目标响应得分图,以此估计出目标的位置,并利用相邻帧尺度自适应策略估计出目标最佳尺度。为验证本文算法的效果,利用公开数据集测试所提算法性能,并与多种跟踪方法进行对比。实验结果表明:在2015目标跟踪标准测试数据集下本文所提算法总体跟踪精确度为0.945,总体成功率为0.929,相比Siamfc算法分别提高了2.9%和2.8%,在无人机航拍测试数据集中本文所提算法也具备较高的精确度与成功率,获得的跟踪效果良好。     

基于视角信息嵌入的行人重识别

提出一种基于视角信息嵌入的行人重识别模型。结合行人图像视角朝向特点,对PSE (pose-sensitive embedding)网络结构进行了优化。首先将PSE特征向量融合部分由特征的融合改成更符合不同视角特征空间性质的三个视角单元特征向量的拼接;其次视角单元从骨架网络更浅层的blocks-3进行分离,增加三个视角单元特征空间的差异性;最后利用改进的深度可分离卷积,设计了一个深度可分离模块,对视角单元进一步进行提取特征,防止模型参数过大的同时提高网络非线性能力,从而提高网络的泛化能力。利用Market1501、Duke-MTMC-reID和MARS数据集对所提的算法进行有效性验证实验,结果表明所提的改进方法取得了更好的识别效果。     

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...     

基于压缩感知的激光干扰图像尺度分析

利用激光干扰CCD成像侦察系统可以使其降低或失去侦察能力,客观、准确、定量地评估干扰的效果是干扰技术研究的重要环节。本文以现有的背景杂波量化尺度为基础,结合激光干扰图像对CCD成像系统目标检测性能的影响,提出了基于压缩感知的图像尺度,并将该尺度运用于基于机器视觉的激光干扰CCD效果评估。激光视场内干扰实验及数值计算表明:该方法能够利用压缩感知理论的特点,较好地实现了对激光干扰CCD成像检测系统效果的定量评估,从而验证了该尺度的有效性。     

应用于嵌入式图形处理器的实时目标检测方法

提出了一种应用于嵌入式图形处理器(GPU)的实时目标检测算法。针对嵌入式平台计算单元较少、处理速度较慢的现状,提出了一种基于YOLO-V3(You Only Look Once-Version 3)架构的改进的轻量目标检测模型,对汽车目标进行了离线训练,在嵌入式平台上部署训练好的模型,实现了在线检测。实验结果表明,在嵌入式平台上,所提方法对分辨率为640 pixel×480 pixel的视频图像的检测速度大于23 frame/s。     

面向嵌入式平台的轻量级目标检测网络

基于深度可分离卷积,提出了一种适用于嵌入式平台的小型目标检测网络MTYOLO(MobileNet Tiny-Yolo),它将待检测的图片平均分割成多个单元格,并采用深度可分离卷积代替传统卷积,减少了参数量和计算量。采用点卷积和特征图融合的方法来提高检测精度。实验结果表明,所提MTYOLO网络模型大小为41 MB,约为Tiny-Yolo模型的67%,其在PASCAL VOC 2007数据集上的检测准确率可达到57.25%,检测效果优于Tiny-Yolo模型,更适合应用于嵌入式系统。     

基于时间感知和自适应空间正则化的相关滤波跟踪算法

针对相关滤波器的空间正则化权重与目标内容无关和跟踪过程中模型退化等问题,提出一种基于时间感知和自适应空间正则化的相关滤波跟踪算法。首先,提取灰度特征、CN(color name)特征和方向梯度直方图(HOG)特征来提升算法模型对目标的表达能力;其次,通过图像显著性检测算法获得带有目标内容信息的空间正则化初始权重;然后,在目标函数中加入自适应空间正则化项来缓解边界效应对相关滤波器的影响;最后,加入时间感知项使相关滤波器学习到相邻帧之间的信息,降低算法模型在处理不准确样本时发生过拟合的风险。在OTB-2013和OTB-2015公开数据集上对所提算法进行性能评估实验,结果表明,所提算法在多种复杂场景下都有良好的稳健性,在跟踪成功率和距离精度上优于其他对比算法,且速度达到24.2 frame/s,能满足实时性要求。     

双注意力循环卷积显著性目标检测算法

显著性目标检测是机器视觉领域的研究热点,具有广泛的应用前景。针对现有显著性目标检测算法存在的显著区域检测不均匀、边缘表示模糊等问题,提出一种双注意力循环卷积显著性目标检测算法。在U-Net全卷积骨干网络中添加像素间-通道间双注意力模块,在跨层连接前对底层特征进行预处理,减小噪声和杂波干扰,提高显著区域检测性能。在骨干网络后端使用循环卷积模块,将最后的预测图与底层卷积层特征进一步结合,增强预测区域边缘的表示效果。在三个公开数据集上进行实验评测,并与相关算法进行对比,结果表明所提算法能更好地均匀突显显著区域和细化区域边缘。     

基于自适应多层卷积特征决策融合的目标跟踪

针对在复杂环境中目标尺度变化、形状变化以及场景光照变化、背景干扰等因素导致的目标跟踪稳定性下降问题,提出一种基于自适应多层卷积特征决策融合的目标跟踪算法。首先,通过卷积神经网络VGG-Net-19提取目标候选区域的多层卷积特征;其次,在相关滤波模型框架下,利用这些卷积特征构建多个弱跟踪器;接着,根据每个弱跟踪器的决策损失变化自适应地调节它们的决策权重,完成基于多层卷积特征的目标位置估计;然后,根据尺度相关滤波模型在目标中心区域进行多尺度采样,并利用相邻帧的尺度变化先验分布完成对目标尺度的预测。选取51组具有多种挑战因素的视频序列对所提算法的跟踪性能进行测试。实验结果表明,与当前主流的目标跟踪算法相比,所提算法取得了更高的跟踪精度和成功率,同时可以较好地适应目标的尺度变化,并且在目标发生形变、场景出现光照变化及背景干扰等复杂条件下仍具有较好的跟踪鲁棒性。     

基于去模糊空间变换RCNN的毫米波图像目标检测（英文）

提出一种包含去模糊的空间变换区域卷积神经网络的目标检测算法.首先,基于主动毫米波圆柱扫描成像原理对人体进行三维成像(频率24~30 GHz),建立毫米波图像数据集.然后,估计毫米波图像的模糊核,通过卷积去噪网络获得图像先验知识,将其集成到半二次分裂的优化方法中,以实现非盲目去模糊.最后,由定位网络、网格生成器和采样网络三部分组成空间变换网络,将它融入到特征提取网络中,在去模糊后实现目标检测.通过该非盲目去模糊算法得到的图像的峰值信噪比可达27.49 dB,目标检测算法的平均精度可达80.9%.实验结果表明,与现有的先进方法相比,该方法可以有效地提高图像质量和检测精度,为毫米波图像中隐藏危险品的目标检测提供了新的技术支持.     

易拉罐喷码字符在线视觉检测

为了实现易拉罐喷码过程中罐底字符的检测,提出了一种基于机器视觉的实时检测方法。首先对采集的图像进行二维Arimoto熵阈值化处理,然后在进行形态学膨胀操作后,通过字符区域信息提取出喷码字符区域,并进行旋转校正。将校正后的图像分割为单个字符,归一化为28×28大小,并采用卷积神经网络分类器进行检测识别。试验表明,该算法鲁棒性好,可以适应不同型号的易拉罐图像的分割识别,且实时性和准确性高,可满足易拉罐点阵喷码字符在线检测的要求。     

基于立体舒适度的立体图像感知距离估计

提出了一种基于立体舒适度的双目图像感知距离估计方法.首先,推导双目立体图像的立体深度;然后进行主观实验获取实际人眼感知到的深度,分析其与立体深度间的差异;最后,将立体舒适度作为生理因素,建立感知距离、立体深度与视觉舒适度之间的关联关系,并得出感知距离的计算模型.在IVY公共数据集上进行实验验证,结果表明:当视觉舒适度值较高时,模型预测值的平均绝对值误差与均方根误差较主观评测值分别减少了0.0049、0.0073;而当视觉舒适度值较低时,平均绝对值误差与均方根误差分别减少了0.0721、0.0594.本模型结果更接近人类主观感知到的深度.     

基于感知颜色空间的灰度图像伪彩色编码

提出了一种基于感知颜色空间的灰度图像伪彩色编码的新方法。首先建立了灰度级和色调、饱和度和亮度等与人的感知颜色特征之间的函数关系。然后通过感知颜色空间到RGB空间的矩阵变换 ,得到相应的RGB值。最后将其分别送入彩色显示器的红、绿、蓝枪即可得到伪彩色图像。建立了相应的数学模型 ,给出了分析和实验结果 ,并对如何获得符合人们视觉习惯的伪彩色图像等问题进行了讨论。根据不同的实际需要 ,可以方便地建立灰度级与颜色的色调、饱和度与亮度的不同对应关系 ,使产生的伪彩色图像符合人们的感知习惯。用该方法得到的伪彩色是近似均匀的 ,即在不同的灰度级上 ,相邻两灰度级对应的色差近似相等     

采用空间投影的深度图像点云分割

点云分割是点云处理的一个关键环节,其分割质量决定了目标测量、位姿估计等任务的精确与否。提出了一种采用空间投影的深度图像(RGB-D)点云分割方法,在分析了相机模型、RGB-D数据特征以及图像阈值与目标点云关系的基础上,建立靶标坐标系与点云区域的模型,进一步地结合靶标坐标系和图像阈值,把点云变换至靶标坐标系以突出目标区域、弱化背景区域,并用图像形态学处理所投影的像素值以及分割图像以获得所对应的点云区域。建立3种测试场景以获得3组不同的点云数据,采用4种方法对点云进行分割对比,其中采用空间投影的方法能获得较高的点云分割质量;对空间投影中的膨胀元素、数值与分割质量的关系进行测试分析,结果表明了采用空间投影的方法对RGB-D点云分割的有效性和可行性。     

基于关键点的快速红外目标检测方法

针对红外探测系统对目标检测的实时性要求,提出了一种基于关键点的快速红外目标检测方法。以目标中心作为目标检测关键点,首先设计了轻量化的特征提取网络,之后结合红外目标较小的特点,利用不同层次特征的空间信息和语义信息设计了相应的特征融合网络,并最终实现目标类别、位置和尺寸信息的预测。在自建空中红外目标数据集上对模型进行了对比测试,与YOLOv3等经典检测模型相比,检测速度大幅提高,检测精度仅略有下降;与同类型快速检测模型Tiny-YOLOv3相比,在模型尺寸压缩至Tiny-YOLOv3尺寸的23.39%的情况下,检测精度提高了8.9%,在中央处理器(CPU)上运行的检测速度亦提高了13.9 ms/frame,检测性能显著提升,验证了方法的有效性。     

采用栅格特征及可视化技术感知跟踪中目标的遮挡状态

针对监控视频中运动目标跟踪问题,提出了一种栅格划分的梯度朝向直方图特征对目标进行描述,并通过可视化技术来实时观测目标局部区域特征量的变化,通过变化来感知目标在运动中可能发生的遮挡等异常情况.利用感知到的状态自适应调整参加融合计算的子模板的个数,指导跟踪过程,以防止异常情况对跟踪结果的影响,实现了对视频目标准确、稳健的跟踪.实验结果表明,提出的目标局部特征能够较准确地感知目标及周围环境发生的变化,对于提高跟踪算法的鲁棒性和准确性具有积极的作用.     

一种基于深层次多尺度特征融合CNN的SAR图像舰船目标检测算法

基于深度学习的目标检测技术在目标检测领域有强大的生命力,但是将其用于合成孔径雷达(SAR)图像舰船目标检测时并没有达到预期的效果。提出了一种基于卷积神经网络的SAR图像舰船目标检测算法用来检测多场景下的多尺度舰船目标,在单发多盒探测器检测框架的基础上,使用性能更好的Darknet-53作为特征提取网络,加入更深层次的特征融合网络,生成语义信息更加丰富的新的特征预测图。同时在训练策略上使用了一种新的二分类损失函数来解决训练过程中难易样本失衡的问题。在扩展的公开SAR图像舰船数据集上进行验证实验,实验结果表明,所提方法对复杂场景下不同尺寸的舰船目标的检测展现出了良好的适应性。