基于改进YOLOv4的低慢小无人机实时探测算法（英文）

针对低慢小无人机探测任务中精度不高、在嵌入式平台上部署实时性能差的问题,提出了一种基于改进YOLOv4的小型无人机目标检测算法。通过增加浅层特征图、改进锚框、增强小目标,提高网络对小目标的检测性能,通过稀疏训练和模型修剪,大大缩短了模型运行时间。在1080Ti上平均精度（mAP）达到85.8%,帧率(FPS)达75 frame/s,实现了网络轻量化。该模型部署在Xavier边缘计算平台上,可实现60 frame/s的无人机目标检测速度。实验结果表明：与YOLOv4和YOLOv4-tiny相比,该算法实现了运行速度和检测精度的平衡,能够有效解决嵌入式平台上的无人机目标检测问题。     

基于混合高斯模型的运动目标检测方法研究

为了能够及时检测到图像场景中的运动目标,提出一种基于混合高斯模型的运动目标检测方法。借助把图像的像素值看成是前景高斯分布和背景高斯分布的组合,进行了背景估计和自适应背景更新;通过对背景差分后的图像进行多目标分割,进行了多个运动目标的检测。实验发现:随着图像序列的背景不断变化,基于混合高斯模型算法能够准确估计出变化的背景,通过将场景图像和背景图像进行差分,检测到感兴趣的运动目标。     

基于TMS320DM642芯片的视频目标跟踪系统设计与实现

运动目标的检测与跟踪一直是在计算机视觉的研究领域占有重要位置,该技术被越来越广泛的应用到交通管理、军事、公共安全监控等领域中;文章主要研究基于TMS320DM642开发平台的视频运动物体目标的检测与跟踪,文章分为软硬件两部分进行设计,硬件部分主要包含视频采集模块、视频处理模块以及显示模块3个部分,通过CCD摄像头采集视频信号,接着将采集的模拟视频信号传输到SEED VPM642视频处理模块,在VPM642中通过高性能视频解码器TVP5150将模拟视频信号转换成BT.656格式的视频信号,并将该信号传输给DM642的视频接口;在系统软件部分,系统采用TI的DSP集成开发环境CCS2.2作为系统软件开发平台,最终在DM642视频图像处理平台上实现运动目标的实时检测与跟踪;实验结果表明,该文提出的算法移植和优化方法效果明显,可以在DSP开发平台上实现运动目标的实时检测与跟踪。     

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。     

基于移动分割与轻量化分类网络的红外目标实时识别方法

战场野外复杂红外场景中,由于背景灰度分布无规律、目标边缘模糊且纹理特征缺失,目标极易混淆在背景之中;由于嵌入式平台算力的限制,多数深度学习类检测算法难以应用于便携设备,无法实现快速有效的目标识别。提出一种基于运动目标提取与高效机器学习模型结合的目标识别方法:通过运动检测实现目标像素级分割,经形态学处理后,定位单体目标;根据嵌入式平台算力高低,选择轻量化深度网络特征或轮廓特征,训练softmax模型,实现目标分类识别。将算法移植于嵌入式平台,对开源红外图像序列进行目标识别实验,实现多目标同时定位与分类,处理速度达56FPS。实验结果表明,该方法可对复杂背景中的红外目标进行实时有效识别。     

一种改进的基于混合高斯模型的运动目标检测方法

混合高斯模型方法被广泛应用于运动目标检测,但是现有的混合高斯模型方法在应对噪声和光照突变时效果不佳,其运动目标检测的效果会受到严重影响。为了解决上述问题,提出了一种结合边缘混合高斯模型方法以及改进的基于邻域差方法的综合方法。该方法充分利用了边缘图像对于噪声和光照突变不敏感,以及邻域差方法可以去除部分噪声的特点,对图像序列进行综合处理。实验结果证明,该方法可以提升运动目标的检测率,降低误警率,可以更有效地应对噪声和光照突变的干扰,从而具有更准确的目标检测效果。     

一种便携式光电跟踪系统在线检测装置的设计与实现

某型光电跟踪系统在线检测是通过计算机模拟台实现的,而模拟台体积大、携带不便、安装复杂,为解决其在外场使用不便的问题,设计了一种便携式光电跟踪系统在线检测装置。该装置采用基于WinCE操作系统的ARM嵌入式平台,将工作状态检测分为一个系统级模块和多个部件级模块,可根据实际需要按模块进行检测,以此降低CPU的负荷及检测装置的功耗。通过实际验证,该装置能够对光电跟踪系统的详细状态实现实时在线检测,并准确地定位故障部位,达到快速修复故障的目的。     

时空相关多通道聚类的运动目标检测

针对某些光照变化、噪声不稳定等多模态场景不适合离线训练背景模型来提取目标信息的问题,在基于混合高斯的背景建模的基础上,利用帧间差分与邻域相似性实现模型初始参数的选取;提出将随机子采样与邻域空间传播理论相结合改进参数更新过程;在时间维度上建立观测向量,实现模型参数的优化,加快模型收敛速度;并将颜色信息和梯度相融合实现基于多特征的多通道背景模型的建立,采用背景点的随机采样策略简化多通道模型建立的计算量,最终实现复杂环境下的运动目标的检测.实验表明,算法在抑制鬼影、动态背景和遮挡等方面有良好的检测性能,且执行效率能够满足实时计算的需求.     

基于结构光的植保无人机障碍物在线检测系统

为了确保植保无人机在飞行作业过程中的安全,要求植保无人机具有自动避障能力,为此提出了基于结构光视觉的障碍物检测方法。为提高障碍物检测的实时性,重点研究了基于嵌入式平台的植保无人机障碍物检测系统,通过将障碍物图像处理算法的并行计算映射到GPU硬件资源上完成,大大提高了算法的运行效率。实验表明,在保证障碍物轮廓线完整的前提下,通过对比CPU和CPU-GPU实现处理算法,障碍物检测系统获得了约46.15的加速比,采集及处理时间约为48.985 ms。该系统具有处理效果明显与实时性好等优点,为植保无人机的实时障碍物检测和进一步实现自动避障奠定了基础。     

基于Linux的嵌入式实时视频跟踪系统

将ARM与DSP相结合,设计并实现了一套嵌入式实时视频传输跟踪系统;该系统以集成ARM和DSP双内核的OMAP3730作为核心处理器,首先通过ARM上搭载的Linux操作系统实现基于V4L2的图像采集功能,然后调用DSP完成H.264视频编码,压缩后的图像由基于实时流传输协议的流媒体服务器传输至远程计算机端解码并显示,最后利用camshift跟踪算法实现对运动目标物体的实时跟踪。该系统是小型无人机自主导航与控制的视觉导航以及以无人机为平台的运动目标检测的基础,有很好的应用前景。     

基于ARM和DSP的钻井控制和信息传输平台的研究

为了抑制粘滑振动和监控钻井过程,需要对钻井过程进行控制,并将钻井参数实时地传输至监控中心。本文提出了一种基于ARM和DSP的钻井控制和信息传输平台,DSP作为算法运算中心、信息转发和协议转换器,ARM作为信息显示和数据存储单元。在系统总体框架下,重点分析了系统的软件和硬件设计方案。对系统在井场进行了现场测试,验证了该系统的可靠和稳定性以及控制算法的有效性。最后,阐明了只要性能和接口满足要求,DSP可用别的嵌入式CPU替代。     

面向嵌入式平台的轻量化神经网络手势识别方法

针对传统基于图像分割和特征提取的手势识别算法在复杂背景下识别准确率低、灵活性差的问题,基于目标检测神经网络的手势识别算法可以有效提高复杂环境下手势识别的准确性。受嵌入式处理器体积和功耗的限制,常用的目标检测神经网络在嵌入式上的识别速度较低,不能满足实时手势识别的要求。在SSD目标检测的基础上对其进行优化,使用MobileNetv3网络实现特征提取,目标检测方面则是使用SSD-lite结构,其使用深度可分离卷积替代普通卷积,实现了轻量化MobileNetv3-SSDLite手势识别算法的设计。针对手势识别的要求,制作了包含不同手势的数据集,利用它在服务器上完成了模型的训练。为了满足嵌入式的算力限制,通过模型的量化压缩将float64的网络参数量化为int8,并压缩网络结构,提高网络在嵌入式上的推理速度,实现基于嵌入式的手势识别。实验结果表明,基于嵌入式的MobileNetv3-SSDLite手势识别算法可以达到平均准确率99.61%,且识别速度达到每秒50帧以上,满足实时手势识别的要求。     

高灵敏度空间点目标探测系统设计

本文面向空间点目标探测,设计了基于高灵敏度CMOS传感器的空间点目标探测系统。首先对CMOS传感器图像进行降噪,提高传感器的探测灵敏度;其次,采用DSP+FPGA嵌入式架构,设计了基于星图匹配信息构建的点目标探测算法,并详细介绍了算法原理和步骤。最后,采用电子星图模拟器对该探测系统进行测试。结果表明:该嵌入式系统具备1 024×1 024@20p格式视频的实时处理能力,可以探测6等星。当信噪比大于6,视轴指向误差小于1°时,对于不同运动速度、不同尺寸点目标均能准确探测,识别正确率接近100%。综合而言,该空间点目标探测方法的计算精度高、适应性强、可靠性高,能够应用于空间点目标的有效探测。     

嵌入式频率特性分析仪的设计及实现

研究设计基于PC104和FPGA的嵌入式频率特性分析仪。该分析仪采用虚拟仪器的概念,以PC104 CPU为主控单元,通过FPGA控制D/A、A/D芯片时序,输出全频率范围内的正弦波并采样存储系统激励信号及输出响应,最后通过CPU算法处理得到系统频率特性。实验结果表明：该仪器人机界面友好,测量速度快,测试波形与理论计算波形能较好吻合。     

基于嵌入式GPU的红外弱小目标检测算法

红外弱小目标的目标像素少,目标对比度低,成像帧率高,图像数据量大,检测实时性强。针对红外弱小目标检测算法适合于GPU并行计算的特点,对其在嵌入式GPU平台Jetson TX2上进行了并行优化实现。在检测算法设计、内存访问、调试优化3个方面进行了优化设计。实验结果表明,对640×480像素分辨率的红外视频,并行优化后的目标检测算法能够在10 ms内完成计算,满足实时处理需求。     

基于指数加权卡尔曼滤波的组合定姿算法

嵌入式软件系统的测试通常需要对其被控对象或者环境进行仿真,以进行硬件在环的闭环验证,在软件测试中很有必要将被控对象的实时仿真模型与被测系统连接起来进行闭环测试。在总结分析嵌入式测试领域的新需求的基础上,提出了一种基于分布式仿真测试环境的嵌入式软件自动化测试系统。该系统具有较强的测试管理能力,以实时仿真机为核心,以及接口的模块化定制,实现了对系统动态特性的半实物仿真软硬件环境,很好的解决了嵌入式系统内存资源较少,与硬件紧密相关等问题。     

Optimizing Image Reconstruction in SENSE Using GPU

Parallel magnetic resonance imaging (MRI) (pMRI) uses multiple receiver coils to reduce the MRI scan time. To accelerate the data acquisition process in MRI, less amount of data is acquired from the scanner which leads to artifacts in the reconstructed images. SENSitivity Encoding (SENSE) is a reconstruction algorithm in pMRI to remove aliasing artifacts from the undersampled multi coil data and recovers fully sampled images. The main limitation of SENSE is computing inverse of the encoding matrix. This work proposes the inversion of encoding matrix using Jacobi singular value decomposition (SVD) algorithm for image reconstruction on GPUs to accelerate the reconstruction process. The performance of Jacobi SVD is compared with Gauss–Jordan algorithm. The simulations are performed on two datasets (brain and cardiac) with acceleration factors 2, 4, 6 and 8. The results show that the graphics processing unit (GPU) provides a speed up to 21.6 times as compared to CPU reconstruction. Jacobi SVD algorithm performs better in terms of acceleration in reconstructions on GPUs as compared to Gauss–Jordan method. The proposed algorithm is suitable for any number of coils and acceleration factors for SENSE reconstruction on real time processing systems.     

基于NPU的实时深度学习跟踪算法实现北大核心CSCD

深度学习在检测领域高速发展,但受限于训练数据和计算效率,在基于嵌入式平台的边缘计算领域,尤其是实时跟踪应用中深度学习的智能化算法应用并不广泛。针对这一现象,同时为满足现阶段国产化、智能化的技术需求,提出了一种改进的孪生网络深度学习跟踪算法。在特征网络加入微调网络,解决了网络模型无法在线更新的问题,提升了跟踪的准确性;在IoUNet损失函数中加入中心距离惩罚项,解决了IoUNet当IoU相同时位置跳跃,存在收敛盲区和收敛速度慢的问题;将训练后的网络通过通道剪枝,缩减网络模型尺寸,提升了模型加载和运行的速度。在华为Atlas200NPU平台上实现了实时运行,算法准确率高达0.90(IoU>0.7),帧率达到66 Hz。