关键词： 一致性分布式滤波   目标跟踪   集中式信息滤波   信息融合   多传感器  

摘要： 在多传感器目标信息融合过程中，提出一种一致性分布式信息滤波算法，用于改善集中式滤波算法在目标跟踪状态估计中对融合中心依赖度高，稳定性低的问题。该算法是根据各个传感器自身以及邻居节点的状态信息和量测信息，实现对目标的实时跟踪定位，每个节点都是数据处理中心，解决了融合中心抗毁伤能力不足的问题，保证部分传感器节点出现问题时，全局的任务能够顺利进行。仿真分析可得，运用一致性分布式滤波算法，可以解决多传感器目标跟踪信息融合问题，其精度高于单一传感器滤波精度，且趋于多传感器集中式信息滤波的精度，可应用于高稳定性、可靠性的非线性系统跟踪。

关键词： 形变监测   无人机影像   摄影测量   编码标志点   图像处理  

摘要： 地表形变监测对于深入探究地质灾害的成因机制、演化特征以及构建综合风险预警系统具有重要意义。针对传统摄影测量技术面临的人工识别地面控制点效率低下和精度不足的问题，提出一种基于无人机影像的高精度地表形变提取方法。首先根据环形编码标志点的图像特征开发了一套精密的自动识别算法，以高效捕捉无人机影像中编码标志点的像平面坐标；然后利用编码标志点在形变前后两期无人机影像中的像平面坐标及地面控制点的物方空间坐标，通过地表形变提取算法快速、准确地解算出地表形变信息；最后设计了无人机航测实验，并将所得结果与全站仪监测结果进行对照分析来验证该方法的可行性。实验结果显示，所提方法可达到亚厘米级精度，精度明显高于点云直接比对算法及多尺度模型到模型点云比对算法，证明该方法能够提取准确的地表形变信息，具有较高的实用价值和良好的应用前景。

关键词： 海杂波   目标检测   双通道   连通图   特征联合  

摘要： 目前，海面小目标已成为海洋雷达探测的重点和难点对象。现有的检测方法局限于雷达回波幅度或频谱的单方面信息的使用，难以有效探测小目标。为此，本文提出一种基于双通道图特征联合的海面小目标检测方法。首先，从雷达复回波序列中提取时域相位序列和频域幅度序列，生成时域-频域双通道。在每个通道，分别生成连通图，为检测提供丰富的相关性。其次，在时域通道，通过分析图拉普拉斯矩阵特征值的差异性，选取最大和次大特征值的融合值作为第一个特征，衡量图的连通密度。在频域通道，通过提取度矩阵的对角线非零元素，计算其熵值作为第二特征，衡量图顶点分布的分散度。然后，将两个特征作为检测统计量，并判断是否落在具有目标引导的凸包算法决定的判决区域内，获得检测结果。最后，使用实测数据的实验结果表明，所提出的检测器在复杂探测环境下能够获得稳健且高效的检测性能。

关键词： 轴承   图像处理   滤波器  

摘要： 针对轴承装配后质检时，工业相机采集到的图像存在混合噪声和曝光不均，导致图像质量较差、影响后续处理的问题，本文提出一种基于改进加权引导滤波的轴承图像边缘保持方法。算法首先采用多尺度边缘感知约束代替单一边缘感知约束，通过两个滤波窗口约束正则化参数ε；其次计算引导图四个方向的全局梯度信息，进行梯度域加权；进而将多尺度边缘感知与梯度域加权保护相结合得到本算法；最后将该算法运用于轴承图像的保边降噪。研究结果表明：与其他保边滤波算法相比，本算法在对轴承图像滤波时能更有效地减少边缘阴影处的噪声残留，更完整地保持图像的边缘信息。在实测边缘提取中，与加权引导滤波对比，边缘断裂率降低了38%，噪点干扰率减少了42%，在客观图像评价指标方面，本算法处理后的图像均值方差减小了12.7%，峰值信噪比提高了2.6%。

关键词： 相关滤波   形变感知   特征融合   目标跟踪  

摘要： 虽然基于相关滤波的跟踪算法凭借着其出色性能和较低的计算复杂度在无人机平台得到了广泛应用，但其对目标形变感知和异常检测的方法较为单一，因此难以应对现实场景下的复杂跟踪任务。为此提出一种基于目标形变感知与特征融合的无人机目标跟踪方法——DPFF。该方法通过差分百分比的形式构建形变感知张量；并根据形变感知张量在空间上的分布构建空域掩膜与时域惩罚系数，实现自适应时空正则；同时根据形变感知张量和响应图分布构造基于特征融合的异常检测网络，通过深入挖掘二者的分布畸变信息防止在跟踪状态异常时模型受到背景噪声的污染。在VisDrone和OTB100等公开数据集上的测试结果表明，与目前先进的AutoTrack算法及其他主流跟踪算法相比，所提出算法在目标跟踪的准确率和成功率上平均有约3.32%的提升，具有更强的鲁棒性能。

关键词： 机器视觉   深度学习   目标检测   图像分割   螺栓检测   结构健康监测   YOLOv7   角度测量  

摘要： 螺栓连接是钢结构中最常见的连接形式，针对传统人工螺栓损伤检测效率低下等问题，提出一种基于深度学习与图像处理技术的检测算法，该算法能够检测出螺栓的正常、缺失、松动和锈蚀4种状态，并且对于难以识别的轻微松动状态也能做出针对性处理。该算法可分为2个部分：第一分支，对单阶段的目标检测算法YOLOv7-tiny进行改进，提出两阶段的YOLOv7-tiny-CM算法，直接进行螺栓损伤检测；第二分支，针对轻微松动情况，利用U-Net算法与图像处理技术直接检测出螺栓松动角度。经实验验证，第一分支所提的两阶段YOLOv7-tiny-CM算法在保持较低计算量的同时，能够达到更精准的检测性能；第二分支所提的松动识别算法能够直接计算出螺栓松动角度，不论是单螺栓识别还是多螺栓识别，误差均在1.7°以内，对于实际工程项目中的螺栓损伤检测有一定的参考价值。

关键词： 扩展目标跟踪   星凸形   克里金模型   非线性滤波  

摘要： 在高分辨率传感器条件下,针对星凸形不规则形状扩展目标跟踪问题,本文提出了克里金模型星凸形扩展目标跟踪算法.首先,在随机超曲面模型(RHM)的基础上以径向函数描述星凸形扩展目标的不规则外形.然后,通过传感器获得的多源量测信息,以克里金模型(Kriging)建立径向函数输入与输出之间的非线性映射关系,进而推导得出对应非线性量测方程.最后,结合非线性最优滤波器推导出克里金模型星凸形扩展目标跟踪算法,并使用弗-面加权距离作为星凸形扩展目标形状估计评价指标.仿真实验表明了所提算法对于不规则星凸形扩展目标跟踪估计的有效性.

关键词： 目标检测   目标跟踪   YOLOv5s   Deep-Sort   Swin Transformer  

摘要： 针对交通监控场景中远端小目标车辆漏检，跟踪车辆ID切换和跳变等问题，提出了改进YOLOv5s（You Only Look Once version 5 small）的小目标检测算法和改进Deep-Sort（Deep Simple Online and Realtime Tracking）的小目标跟踪算法。改进的YOLOv5s-CSC小目标检测算法中，首先，添加CBAM（Convolutional Block Attention Module）到颈部网络中，增强对小目标信息特征的精确提取；其次，将主干网络中的CSP（Cross Stage Partial）与Swin Transformer融合构建成CSPSTB模块，使网络更好地关注全局信息；最后，通过引入CARAFE（Content-Aware Reassembly of Features）上采样算子替换最近邻插值上采样方法，实现更有效的特征融合，获得更为丰富和有效的特征表示。改进的Deep-Sort小目标跟踪算法中，提出深度表观特征提取网络并设计Res＿SE（Residual Squeeze-and-Excitation）结构，在数据关联过程中更能适应车辆特征，与YOLOv5s-CSC结合后，解决了远端小目标车辆跟踪失效以及跟踪过程中ID切换、跳变等问题。实验结果表明，YOLOv5s-CSC模型相较于原YOLOv5s模型，mAP（mean Average Precision）、mAP50、mAP75分别提高1.5%、1.5%、1.9%，APS（Average Precision Small）、APM（Average Precision Medium）、APL（Average Precision Large）分别提高4.2%、1.4%、0.4%，能够有效解决远端小目标车辆漏检的问题。改进后的Deep-Sort算法与YOLOv5s-CSC算法结合，在高速公路采集的数据中MOTA（Multiple Object Tracking Accuracy）、HOTA（Higher Order Tracking Accuracy）、IDF1（Identity F1 Score）分别提升9.6%、3.2%、7.7%，解决了ID切换、跳变等问题，证明改进后的模型具有更好的跟踪精度和鲁棒性。

关键词： 光伏组件   深度学习   目标检测   图像处理   无人机巡检   红外热成像  

摘要： 针对无人机航拍光伏组件红外热图像中热斑信号微弱、特征模糊，以及自动化巡检存在较高漏检率和误检率的问题，该文基于深度学习模型YOLOv5进行优化改进，以提升其对微弱红外热斑的检测能力。首先，通过添加混合特征模块（HFM），进一步增强了网络的特征提取能力，有效提高了检测精度。其次，在YOLOv5的主干部分后使用了层级聚合注入网络（HAI），使得卷积核能得到全局的特征信息，提高了检测精度。最后，引入WIoU损失函数改善了原有的边界框损失，提高了困难样本的检测速度。实验结果显示，改进后的模型mAP达到80.3%，相比原模型提升了5个百分点。

关键词： 伪装目标检测   混合尺度感知   边缘特征交互   特征增强  

摘要： 伪装目标检测（COD）旨在准确识别和分割复杂环境中的高隐蔽性目标，由于目标与背景高度相似和背景噪声干扰等因素，COD目前仍是一项十分具有挑战的任务。针对已有的COD方法存在边缘特征信息匮乏、多层次特征融合不充分等问题，本文提出一种新颖的基于混合尺度感知与边缘特征交互的伪装目标检测网络（MSPEFI-Net）。MSPEFI-Net由混合尺度感知模块（MSP）、边缘特征交互模块（EFI）和全局特征聚合模块（GFA）组成。其中，MSP使用不同大小的卷积核提取不同尺度的特征、并进行跨尺度特征融合实现混合尺度感知，使模型能够有效扩大感受野，充分挖掘目标局部细节特征，以确保特征信息的完整性。EFI可以将高层语义信息与部分低层细节信息进行交互集成，以挖掘和补充边缘语义信息。GFA通过对上下文局部信息与边缘信息的跨层级特征聚合，以便有效地集成伪装目标及其边缘的特征信息，生成完整的预测图。实验结果表明，MSPEFI-Net在公开数据集CAMO、CHAMELEON、COD10K和NC4K上的Sα、Fβw、Fβ、E?、MAE等指标整体优于其他12种对比模型，具有更好的检测性能，消融实验也验证了各模块对模型性能提升的有效性。