关键词： CSRT   边缘特征   定位目标   YOLOv8   虚拟目标数据集  

摘要： 针对无人机在仿真实验中自动跟踪移动目标的需求，提出基于改进CSRT(channel and spatial reliability-aware tracker)算法的无人机长时自动跟踪方法。通过导向滤波加拉普拉斯算子LOGF(laplacian of guided filter)检测获取目标边缘特征，再与HOG(histogram of oriented gradient)和CN(color names)特征融合，增强算法对目标的判别能力；使用平均峰值相关能量和感知哈希汉明距离来综合判定目标状态，若目标状态不理想，则停止更新模型，避免跟踪漂移；当判定目标被遮挡时，采用YOLOv8(you only look once v8)定位目标，再将定位结果传输至跟踪算法继续跟踪目标。基于Unity仿真平台实现跟踪算法，为达到实时仿真的效果，在平台中设计沙漠和城市场景，用来仿真无人机的飞行环境，同时，通过环境随机生成方法生成一个虚拟目标数据集VTD(virtual target datasets)，如不同位置、角度、高度和不同的光照强度等，将其用来算法训练和测试。实验结果显示，在搭建的仿真环境中算法能够在目标被遮挡时仍能长时稳定的跟踪目标，为无人机目标跟踪算法研究提供了良好的仿真实验环境。

关键词： 深度学习   目标检测   车载毫米波雷达   特征增强  

摘要： 车载毫米波雷达有全天候工作的优点，但由于缺乏语义信息，难以从雷达回波信号识别目标类别，针对以上问题设计了一种基于相机辅助的特征增强目标检测网络（Feature-enhanced Target Detection，F-TDNet）。首先针对复杂环境下目标特征较弱，提出一种卷积归一池化(Conv3d BatchNorm ReLU， CBR)特征增强模块，增强模型的特征提取能力。其次，采用卷积自编码器保证雷达语义信息获取的全面性。然后，在卷积自编码器中添加参数量和计算量较小的压缩和激励网络(Squeeze-and-Excitation Networks， SE)注意力机制，提高特征提取的细化能力。实验结果表明，在环境光照不稳定以及目标速度不定条件下平均精度达到了92.50%，召回率为95.86%，与其他方法相比，所提的方法和改进网络具有优异的检测效果。本文所提方法减小了自动驾驶系统对相机的依赖性，同时具备全天候检测的特点，且性能稳定，有助于提高辅助驾驶系统的安全性。

关键词： 车辆目标跟踪   双目视觉   AD-Census   DETR  

摘要： 针对交通场景中纯视觉车辆目标跟踪因缺乏深度信息而导致的目标车辆轨迹标签频繁切换问题，基于Deep SORT框架，引入双目深度信息重建模块，利用AD-Census双目立体匹配技术精确重建目标车辆的三维信息。结合高效的DETR目标检测网络，构建一个集目标检测、双目深度估计与目标跟踪技术于一体的端到端车辆目标跟踪系统。实验结果表明，该系统在车辆轨迹跟踪时的标签切换次数（IDSW）减少至最多切换15次，跟踪精度（MOTP）可达88.687%，跟踪准确度（MOTA）可达83.391%，有效减少了行车轨迹标签的变更，提升了跟踪的稳定性。

关键词： 无人船   联合标定   目标检测   决策级融合   贝叶斯理论  

摘要： 无人船环境感知是无人船智能航行的关键技术之一，目前主要依赖于可获取目标空间位置的激光雷达和提供目标类别信息的光学设备。为获得复杂海上环境下目标多维感知信息，提出一种无人船载激光雷达-相机的融合感知方法，融合PR-YOLOv8视觉检测结果和激光雷达三维点云，实现了海上目标高精度识别和空间定位。首先，利用标定板进行激光雷达和相机联合标定，构建了两传感器间的投影关系。随后，对于雷达分支，对目标点云聚类拟合，提取目标的特征信息并投影至图像；对于相机分支，基于YOLOv8提出PR-YOLOv8目标检测模型，获得高识别精度的目标检测边界框。最后，结合两分支检测结果，提出一种新的代价构建因子DSIoU(Distance-Scale Intersection over Union)关联目标，并结合贝叶斯理论，实现了多源感知信息的融合。采用青岛近海和内湖船只感知实验，验证了所提出方法的可行性和有效性。

关键词： 复杂场景   运动轻型   弱小目标   深度学习   目标检测  

摘要： 轻型弱小目标因其尺寸小巧,在图像中占据的像素数量有限,导致特征信息不足,易与背景混淆或被其他物体遮挡,从而构成了检测的重大挑战。针对这一问题,提出了一种新颖的深度学习检测算法,专为复杂场景中的运动轻型弱小目标设计。该算法首先利用稠密光流密集轨迹技术,有效捕捉目标在图像序列中的运动轨迹。通过对比分析背景点与目标轨迹的差异,能够精确剔除背景特征点,进而筛选出潜在的目标点。随后,对这些候选目标点进行周围区域填充和形态学处理,以进一步精炼目标区域。在此基础上,采用并改进了深度学习中的U-Net网络模型,构建了一个专门针对复杂场景中运动轻型弱小目标的深度学习检测模型。实验结果表明,该算法在检测这类目标方面有一定的改进,为实际应用中的精准识别有参考意义。

关键词： 计算机视觉   智慧农业   樱桃   改进型智能剪刀算法   果实图像投影面积   颜色提取   采收成熟度  

摘要： 基于果实大小和颜色指标评估果实成熟度,为樱桃储运中的最佳采收时间提供数值化判断依据。利用改进型智能剪刀算法,从光照背景中分割不同时期果实特征区域;计算特征区域的图像投影面积,图像在HSV颜色空间模型下H分量的方差和均值;根据获取的果实面积和颜色指标数据,采用加权评估法计算不同时期果实成熟度。果实发育过程各指标动态变化,当果实面积达到190000像素,果皮颜色为紫红色时,成熟度达最大值。实时获取樱桃果实成熟度双重评估的指标,有效实现了对果实成熟度的数字化评估。

关键词： 实例分割   YOLOv5   接受场注意力卷积   注意力机制   损失函数   特征融合  

摘要： 实例分割是图像分割的重要组成部分,同时也是计算机视觉中的一个关键研究课题,广泛应用于自动驾驶和安全监控等领域。然而,由于道路场景通常具有复杂性、多样性和杂乱的特点,处理这些场景变得尤为挑战。针对道路场景图像实例分割难度大、精度低、定位不精确等问题,本文提出一种基于改进YOLOv5(You Only Look Once version 5)的道路场景实例分割算法。以YOLOv5为基础模型,在Head模块中采用RFAConv(Receptive-Field Attention Convolution)卷积代替部分传统卷积,它全面解决了卷积核的参数共享问题,考虑到接受域中每个特征的重要性,提供了几乎可以忽略不计的计算成本和参数增量,能够更好地捕捉和融合图像特征,提升分割的精度和鲁棒性。采用ShapeIOU代替YOLOv5中原损失函数CIOU(Complete-IoU),通过聚焦边框自身形状与自身尺度计算损失,使得边框回归更为精确,能够有效提升检测效果且优于现有方法。实验结果表明:与原模型相比,改进后的模型的分割精度mAP50(mean Average Precision)达到了33.8%,相较于YOLOv5s,优化后的模型在分割精度上提高了1.2%,能够更加高效地完成道路场景的图像分割任务。

关键词： Distributed multi-sensor multi-target tracking   Labeled multi-Bernoulli filter   Arithmetic average fusion   Label matching  

摘要： We propose a distributed labeled multi-Bernoulli(LMB)filter based on an efficient label matching *** distributed LMB filter fusion has the premise that the labels among local densities have already been ***,considering that the label space of each local posterior is independent,such a premise is not practical in many *** achieve distributed fusion practically,we propose an efficient label matching method derived from the divergence of arithmetic average(AA)mechanism,and subsequently label-wise LMB filter fusion is performed according to the matching *** with existing label matching methods,this proposed method shows higher performance,especially in low detection probability ***,to guarantee the consistency and completeness of the fusion outcome,the overall fusion procedure is designed into the following four stages:pre-fusion,label determination,posterior complement,and uniqueness *** performance of the proposed label matching distributed LMB filter fusion is demonstrated in a challenging nonlinear bearings-only multi-target tracking(MTT)scenario.

关键词： 目标检测   图像提取   链式FIFO   流水线  

摘要： 现有毫米波雷达目标检测主要基于串行处理平台实现,对大尺寸雷达图像处理的速度存在一定瓶颈。本文基于现场可编程门阵列(FPGA)提出一种以链式先进先出(FIFO)缓冲器为核心,融合图像提取思路的毫米波雷达目标快速检测结构。通过链式FIFO实现多帧数据对齐与并行输出,得到窗口边缘数据;根据自定义窗参数,将边缘数据分区求和并延时缓存,可实现对窗移动前后计算结果的复用,配合流水线式处理结构提高运算效率;对相邻子图像重叠区域合理划分,从大尺寸图像中提取出多个小尺寸子图像单独处理,大幅提升雷达目标检测算法的实现速度,并显著节省片上逻辑资源。基于92~94 GHz的调频连续波(FMCW)毫米波雷达对本文目标检测FPGA实现方法进行验证,对于1000×2000的大尺寸雷达图像可实现120 ms的快速处理,且FPGA布署算法仅消耗32个18K BRAM和6461个LUT。

关键词： 深度学习   目标检测   毫米波雷达   特征融合   多模态   注意力机制  

摘要： 针对恶劣天气和低光照对基于深度学习的视觉目标检测算法带来的挑战,提出一种基于双尺度卷积注意力模块(convolutional block attention module,CBAM)的双模态目标检测算法,旨在通过视觉与毫米波雷达数据的特征融合,提高目标检测算法在挑战性环境下的鲁棒性和准确性。该算法采用双分支的一阶段检测结构,图像分支采用预训练的CSPDarkNet53骨干网络提取图像特征,雷达分支采用基于体素的雷达特征生成网络提取雷达特征。然后,分别在颈部网络前后利用提出的基于双尺度CBAM的特征融合模块进行雷达-视觉特征融合。最后,使用解耦检测头实现目标的分类和定位。在nuScenes数据集上,利用对比实验和消融实验验证了该特征融合检测算法在挑战性环境下的有效性和优越性。