关键词： 图像处理   多目标跟踪   准密集相似性学习   数据关联  

摘要： 多目标跟踪技术一直是图像处理领域中的热点,尤其是在海上侦察、空中警戒和精确制导等方面。针对杂波或其他物体的遮挡,以及不同物体外形类似等因素造成的多目标跟踪能力减弱等问题,提出了一种基于准密集相似性学习(QDSL)的多目标跟踪方法。首先,利用改进的YOLOv8算法进行多目标检测,为相似性学习提供目标框;其次,对相邻两帧图像上的数百个对象区域进行密集采样,以进行对比学习,实现目标局部关联;最后,将这种相似性学习与YOLOv8目标检测器相结合,并加入无外观链接(AFLink)模型,执行无外观信息的全局关联,在速度和精度之间实现了良好的平衡。对数据集MOT17中的一些视频样本进行了测试,实验结果表明:与其他先进算法相比,所提算法使多目标跟踪准确率和精度分别提升了1.2%和0.6%。

关键词： 矿用热风炉   火焰监控   图像处理   系统设计  

摘要： 矿用热风炉在矿山行业中扮演着至关重要的角色,用于加热矿石或其他物料,以便在后续的生产过程中进行加工或提取所需的矿物资源。然而,矿用热风炉的安全性和效率却一直是矿山企业关注的重点。在运行过程中,热风炉内的火焰状态直接影响着其热能输出和燃烧效率,同时也关系到设备的稳定性和安全性。传统的热风炉监控方法往往依赖于人工巡检和经验判断,存在着监控不到位、实时性差等问题。而随着科技的发展,火焰监控系统作为一种自动化监测手段,逐渐成为提高热风炉安全性和生产效率的重要途径。先探讨了新型矿用热风炉的结构以及特点,分析传统矿用热风炉火焰检测方法的缺陷,结合火焰图像监测原理,并对系统的硬件以及软件设计做出探讨,希望能够准确监测热风炉内火焰的状态,并及时发现异常情况,以保障生产过程的安全稳定运行。

关键词： 车辆荷载   计算机视觉   深度学习   卷积神经网络  

摘要： 近年来,交通运输行业迅速发展,超载车辆不断增加,严重影响公路桥梁的安全耐久水平,准确高效地识别车辆荷载信息对交通基础设施的运营、评估和维护具有重要意义。随着计算机视觉和深度学习技术的广泛应用,车辆荷载识别也得到进一步发展。本文从车辆荷载的直接识别及信息融合识别两个方面对目前的研究现状进行了分析,发现直接识别方法虽然能够取得一定的效果,但需要置于研究所处的具体环境下,而融合识别方法是目前的发展趋势;其次指出了当前车辆荷载识别领域的任务与难点,主要在于如何在准确可靠识别车辆荷载信息的前提下,寻求识别精度与速度之间的平衡;最后对相关研究工作进行总结,并讨论了未来的优化方向与发展趋势,本文认为将来应进一步优化视觉识别模型与算法,并与新兴技术不断交叉融合以提高现实复杂环境中的车辆荷载识别效果,使其更好地应用于工程实际。

关键词： 无人机   智能监测系统   数据处理算法   路径规划   目标检测  

摘要： 全球范围内,无人机的广泛应用为智能监测系统提供了新的可能性。此一研究旨在构建以无人机为主的监测系统,其中包括了丰富的传感元件和尖端的数据处理手法,完成对特定陆地区域的自动守视任务。该系统采取模块化设计,详细至硬件方面,主要囊括无人机平台、载荷板块以及地面控制基站,软件一道,为硬件具象化相关功能。深入探析了诸如飞行管控、任务实施、路径策划和目标侦测等核心技术点。而更为重要的发现是,试点成效显现出该监测系统具备优秀的目标侦测和跟踪能力,从而在大幅度增强监测精度和效能方面显示出强烈的价值存在。此一研究成果对于无人机在环境维护、公安巡逻等多元任务实施方面,无疑具有深远参考价值。

关键词： 鸟类检测   深度学习   半监督学习   目标检测   注意力模块  

摘要： 针对细粒度鸟类检测的数据标注成本高,以及湿地地区鸟类种类繁多、现实场景复杂化等引起的湿地鸟类检测精度低的问题,该研究提出一种基于半监督CST的湿地场景下的细粒度鸟类检测算法(semi-supervised bird detection with CNN and swin transformer,SSBY-CST),首先基于北京14处监测站在不同湿地场景下采集到的图像,构建了涵盖17种鸟类图像数据集,为模型鲁棒性提供可靠数据支撑。其次提出基于伪标签学习法的单阶段半监督学习框架,基于Yolov5主干网络构建教师学生模型,高效利用无标签数据提升检测性能;训练阶段使用双阈值伪标签分配策略替代传统单一阈值伪标签分配,以优化无监督损失函数。然后设计了结合CNN和Swin Transformer的双通道卷积模块CST,以提高不同类别鸟类与湿地背景的区分能力。试验结果表明,仅在100张标注图像下,该文SSBY-CST算法对17种复杂环境下鸟类的检测精准率和mAP@0.5分别为77.5%和58.2%,相比同时期较先进的YOLO模型提升了17.4个百分点和15.5个百分点,在少量标注的前提下实现了较高的检测性能提升,其中黑鹳、西伯利亚银鸥的m AP@0.5分别达到了95.7%和94.5%,相比基线提升了24.9个百分点和14.3个百分点。此外,消融试验分析了双阈值伪标签分配的作用及CST模块的效果,验证了双阈值伪标签分配与CST模块设计的有效性。该框架利用无标注样本在极少量标注量下提升复杂环境下细粒度鸟类检测性能,以加强农林生态的智能数字化管理。该文将半监督扩展到细粒度鸟类检测,为处理农林生态环境下的鸟类检测提供了技术路径。

关键词： 图像处理   海洋光学图像   局部补偿模型   非下采样轮廓波变换   Retinex   图像增强  

摘要： 机载海洋耀斑光学图像亮度差异大,图像增强结果易出现对比度低、细节纹理丢失的问题,为解决该问题,提出基于局部补偿和非下采样轮廓波变换(NSCT)的海洋耀斑光学图像增强算法。首先采用均值滤波和最大类间方差方法将图像分割为高亮耀斑区和低照度海区:对高亮耀斑区采用对比度受限的自适应直方图均衡(CLAHE)算法均衡图像亮度;对低照度海区采用NSCT算法分解获得低频子带和高频子带。接着对低频子带采用多尺度Retinex算法校正照度不均匀性,对高频子带采用拉普拉斯增强算子提高纹理细节。对处理后的子带进行NSCT重构,采用CLAHE方法进一步提高低照度海区的对比度。最后利用改进的局部补偿模型调整低照度海区的亮度和对比度,获得最终增强图像。实验结果表明,与现有方法相比,所提方法的图像信息熵、平均梯度和对比度平均提升了1.35%、40.62%和77.15%,能有效提高图像亮度、对比度和海浪纹理细节。

关键词： 多雷达   目标跟踪   信息融合   K秩法融合  

摘要： 针对多雷达协同目标跟踪的效能分析需求,首先对基于密度估计的主流融合算法建模,并结合高斯-均匀混合分布的熵误差理论分析其融合局限,然后基于序贯蒙特卡罗近似的伯努利滤波与K秩融合设计了多雷达协同跟踪方法,提出了误差减函数作为效能分析指标,用于定量分析多雷达目标跟踪的协同效能。仿真实验表明:当多雷达目标跟踪的过程噪声过大或过小时,融合跟踪性能无本质改善,表明该条件下增加雷达数量的效能低;仅当过程噪声适宜时,融合跟踪性能有明显提升,且提升幅度与雷达数量的增加呈正向递减关系,为权衡雷达节点数量开支提供了指导意义。

关键词： 图像处理   颜色恒常性   语义分割   多区域融合   光源估计   场景语义  

摘要： 针对现有颜色恒常性算法在复杂场景下的适用性差,光源估计精度不高的问题,提出一种多区域融合的全卷积颜色恒常算法.首先,利用金字塔场景解析网络(Pyramid Scene Parsing Network,PSPNet)模型对目标图像进行场景语义分割;其次,将本文提出的基于全卷积网络架构的端到端光源估计模型(Full Convolutional Illuminant Estimation Network,FCIEN)用于各语义区域进行光源估计,各区域通过加权融合得到整体图像的光源估计值;最后,根据得到的光源估计值使用Von Kries模型对目标图像进行偏色校正.在Gehler-Shi、NUS-8camera等数据集中的实验结果表明,相较于同类型的算法,本文算法的光源估计角度误差值分别下降20.73%、15.22%.实验结果表明,本文算法针对复杂场景的光源估计有着较强的鲁棒性和准确性.

关键词： 视觉车距检测   预警系统   单目测距   计算机视觉  

摘要： 本研究旨在构建一种基于计算机视觉技术的视觉车距检测预警系统。该系统通过分析和处理前方车辆的图像,实时获取车辆间距和速度等关键信息,并向驾驶员提供预警提示,以确保行车安全。本文主要内容包括:构建基于YOLO算法的目标车辆检测模型;采用单目测距技术,结合相机成像原理和相似三角形原理,对车载相机进行标定,建立图像中车辆像素高度与实际距离的映射模型;利用光流法和车距检测模型对前方车辆进行跟踪,并计算车辆间的相对速度。通过目标检测网络得到的车辆定位框及其中心点作为特征点,对连续图像帧中的目标车辆进行跟踪,根据目标车辆的相对位移获得相对速度,并计算预警时间,给出预警信息。

关键词： 深度学习   目标检测   遥感图像   混合注意力机制   YOLOX  

摘要： 为了更好地通过遥感图像监测地面交通流量,应对日趋复杂的路况问题,提出了一种基于YOLOX的全新的一阶段目标检测网络AE-YOLO(Attention-Enhanced YOLO)。采用混合注意力加强的SCACSP特征增强模块,很大程度上抑制了背景信息,突出了目标的显著特征,用解耦头部代替耦合头,大大提高了网络的收敛速度和性能。对损失函数进行改进,使用CIoU Loss代替原来的IoU Loss,从而解决了树木遮挡等造成的车辆漏检问题。试验结果表明,与主流的目标检测网络相比,该方法在精度上有更好的表现。