关键词： 目标跟踪   孪生网络   特征融合   注意力机制  

摘要： 孪生网络作为目标跟踪领域中的主流方法,在带来极大性能提升的同时,依旧在面对诸如目标遮挡、尺度变化和目标形变等复杂场景时存在不足,因此提出一种基于稀疏Transformer特征融合的孪生网络目标跟踪算法。针对特征融合过程中相关操作容易陷入局部最优且导致语义信息丢失的问题,引入稀疏Transformer完成全局语义信息建模,以实现模板特征和搜索区域特征间的高效信息交互,稀疏自注意力避免了正负样本失衡情况下全局注意力对无关背景的过度关注,增强前景与背景的对比度。分类回归任务使用柯尔莫格罗夫-阿诺德网络(KAN),提高处理融合特征时的效率与精度,以捕捉跟踪目标的准确定位和精确回归。实验结果表明,所提算法在GOT-10k数据集上以69.2%的平均重叠率超越其他主流算法,其成功率指标在阈值为0.50和0.75时分别达到80.2%和63.4%,相较基准模型提升了2.1%~3.4%,同时在OTB2015数据集上达到70.0%和90.1%的成功率和精确率,验证了所提算法在复杂环境下的性能提升与跟踪稳定性。

关键词： 扩散模型   生成式人工智能   图像处理   逆问题   深度生成先验  

摘要： 扩散模型是一种新型生成式人工智能模型,相比生成对抗网络、变分自编码网络、流模型等传统网络,具有训练稳健、生成保真性与多样性高、数学可解释性强等特点,在计算机视觉、信号处理、多模态学习等领域应用广泛。扩散模型能够充分学习挖掘训练图像的深度生成先验,为解决图像处理逆问题提供了一类全新解决范式。为了系统性梳理扩散模型发展现状,特别是其解决图像处理逆问题的最新进展,对面向图像处理逆问题的扩散模型研究进行了综述,阐述了扩散模型的基本原理及其发展现状,重点介绍了利用扩散模型解决图像处理逆问题的主要技术路线,以及在该方向的具体应用成果,并展望了未来研究方向。

关键词： 稀疏光流   机器视觉   线形监测  

摘要： 随着公路桥梁日益发展,大跨刚构桥的桥梁监测和养护管理问题日益受到人们重视。桥梁线形能够直观地反映桥梁结构在各种因素作用下的变形情况,是桥梁健康监测中的重要一环。本文基于非接触式机器视觉理论,采用工业相机采集桥面图像,通过改进的识别方法,识别多个测量区域;通过定位各个区域内的显著特征点,利用稀疏光流同步测量,进而获取各个点的详细位移,为桥梁线形监测提供了可靠的数据支撑。

关键词： WSN机动目标跟踪   粒子滤波   灰狼优化算法   机动目标跟踪   自适应权值因子  

摘要： 针对粒子滤波(PF)在机动目标跟踪中由于样本贫化导致跟踪精度低的问题,提出了一种基于改进灰狼粒子滤波的WSN机动目标跟踪算法,使粒子滤波中的粒子被引到权重取值较大的区间.这有效地增强了粒子滤波算法当中的粒子的探索能力,并有效地减少了粒子贫化的影响.此外,这种方法还可以增加粒子群的多样性,进一步提高跟踪性能.利用匀速圆周运动模型(CM)进行滤波跟踪,使用EKF算法和PF算法与本算法进行比较,以均方根误差为评价指标.经过仿真实验对比表明,所提算法均方根误差分别降低了57%和37%.

关键词： 红外图像   目标检测   重构注意力   多尺度特征   大核卷积   卷积神经网络   特征提取   重参数化  

摘要： 针对废墟环境下红外图像人体检测任务中存在的图像分辨率低且人体特征不明显的问题,基于YOLO框架设计了一种包含重参数化(re-parameterization)和多尺度大核卷积(multi-scale large kernel convolution)的红外图像人体检测网络RML-YOLO(re-parameterization multi-scale large kernel convolution)。该网络通过空间和通道重构注意力模块,将注意值集中到对检测任务更重要的区域。通过Sobel算子强化边缘特征,提高对不同姿态人体的检测能力。RML-YOLO的有效性在自制数据集上得到验证。在只有1.8×10~6可学习参数的情况下,模型的AP50和AP50-75分别达到了91.2%和87.3%,与参数量相近的YOLOv8-n相比分别提高了4.4%和5.3%。结果表明,RML-YOLO显著提高了利用红外图像进行废墟环境下人体检测的精度。

关键词： 港口航道工程   船舶号灯识别   目标检测   背景差分法   动态场景   SURF算法  

摘要： 正确的检测与识别船舶号灯,是实现有效的海上船舶态势感知方式之一,因此,提出了一种基于背景运动补偿和优化背景差分法的动态场景下号灯检测与识别方法。首先,基于SURF特征点提取算法,采用圆形区域代替矩形区域提取32维描述符,实现描述符的降维,提高算法的速度;其次,通过改进后的SURF算法实现对视频图像的特征点提取及匹配,得到反映图像间映射关系的线性参数,进行背景估计并完成背景运动补偿;最后,采用分段式更新策略和自适应差分阈值,对背景差分法进行优化,结合号灯几何和颜色特征消除干扰灯光、海浪等环境因素的影响。研究结果表明:完成背景运动补偿后的算法具有较高的号灯检测与识别精度及较强的鲁棒性,该方法可以较好的检测与识别动态背景下的船舶号灯。

关键词： 图像特征值   直转播监测系统   图像处理   深度学习  

摘要： 为提高直播画面的质量监控效率,设计并实现一种基于图像特征值的直转播监测系统。该系统结合图像处理与深度学习技术,自动采集、分析视频数据并评估画面质量,实时反馈并优化画面。通过功能与性能测试,系统表现出色,能够满足高准确率、低延迟和高稳定性的需求,适用于现代直播系统的质量管理。

关键词： 分布式波形分集阵雷达   广义似然比检测(GLRT)   角度与距离估计   坐标下降法   梯度投影法(GPM)  

摘要： 针对传统单站雷达微弱目标探测难问题,提出一种基于分布式波形分集阵雷达的目标检测和参数估计一体化算法。分布式波形分集阵雷达系统由频率分集阵(FDA)-多输入多输出(MIMO)雷达和阵元脉冲编码(EPC)-MIMO雷达构成。在白噪声背景下,对每个局部雷达站构建二元假设问题,其中,目标角度和距离信息未知。基于上述模型,在广义似然比检测(GLRT)准则下设计自适应检测器。通过坐标下降(CD)法和梯度投影算法(GPM)求解目标角度和距离信息的估计值并得到局部检测统计量;随后在融合中心通过计算多组局部检测统计量的对数和,构建用于最终检测判断的全局检测统计量。仿真实验验证,相比于单站波形分集阵雷达,分布式波形分集阵雷达提升了目标检测概率;相比于分布式相控阵雷达,分布式波形分集阵雷达显著提升了目标检测概率和参数估计性能。

关键词： 车道线识别   RANSAC算法   自适应阈值   图像处理  

摘要： 随着自动驾驶技术的快速发展,基于视觉的车道线检测因成本低、分辨率高等优势成为研究热点。由于传统图像识别方法易受光照遮挡等因素影响,所以提出一种基于轮廓信息的改进RANSAC(Random Sample Consensus,随机抽样一致性)算法,旨在提升复杂场景下的车道线识别精度。算法流程分为图像预处理与直线拟合2个阶段,在图像预处理阶段,首先对RGB图像进行通道增强的灰度化处理,划定先验ROI (Region of Interest,感兴趣区域)以排除干扰;随后通过中值滤波和局部阈值分割获取二值化图像,并结合形态学操作消除噪声;最后使用边缘跟踪算法提取单像素轮廓,并利用PCA(Principal Component Analysis,主成分分析)算法筛选出来具有直线属性的车道线边缘像素点。在直线拟合阶段,通过截取轮廓中心区域生成脊线点,结合RANSAC算法迭代拟合出直线模型。实验基于CULane和LISA数据集,涵盖城市、夜间、遮挡及复杂光照场景。结果表明,该方法无需先验知识即可有效识别车道线,在车辆遮挡、阴影及夜间环境下均表现出较高鲁棒性,具备较强的工程应用潜力。

关键词： 视觉分析   智慧安防   目标检测   行为识别   园区安防  

摘要： 本文研究聚焦于人工智能(AI)视觉分析技术在园区安防中的创新应用与深度探索.通过对园区现有安防状况的全面剖析,揭示了传统安防手段在应对复杂场景时的局限性.在此背景下,引入AI视觉分析技术,其基于先进的神经网络深度学习算法,涵盖目标检测、行为识别、场景理解等关键技术,构建了多层架构体系,实现从数据采集到决策支持的全流程智能化.研究成果为园区安防提供了创新解决方案,助力打造更加安全、智能、高效的园区环境,推动物流园区安防向智能化迈进,具有重要的实践价值与理论意义.