关键词： 目标跟踪   稀疏内嵌注意力机制编码器   类间特征聚合编码器   运动特征嵌入  

摘要： 针对现有视觉目标跟踪方法仅使用初始帧的目标单一外观特征,导致当背景复杂或外观发生剧烈变化时跟踪失效的问题,提出一种基于多层特征嵌入的单目标跟踪算法。增强目标的外观区分度,使用稀疏内嵌注意力机制编码器,嵌入具有高实例区分度的外观特征;采用类间特征聚合编码器嵌入目标的类别信息,在外观发生变化时保持类内的紧凑性;同时将预测的历史帧跟踪框坐标转化为目标运动轨迹特征嵌入,为算法提供高置信度的时间上下文特征。研究结果表明:所提算法在OTB100基准测试中成功率和准确率分别达到71.4%和92.6%,在GOT-10K、LaSOT、TrackingNet共3个大规模公开数据上取得了鲁棒的效果,成功率分别达到64.9%、72.0%和78.7%;基于多层特征嵌入的单目标跟踪算法有效地克服了现有算法的局限,具有较好的准确性和鲁棒性。

关键词： 自适应图像预处理   仪表识别   高斯模糊值   多尺度Retinex   YOLOv5  

摘要： 为解决工业生产中的弱光和强光环境导致仪表识别读取困难,提出一种光照自适应图像预处理方法,对相机采集的仪表图片进行增强,采用三通道像素调整和自适应Retinex算法处理。最后,使用YOLOv5识别并提取仪表区域并进行仪表读数实验,实验结果表明,预处理之后的图像,仪表读数率提升32.11%,读数速度提升14.8%,验证了图像增强预处理的有效性。

关键词： 道路目标检测   YOLOv5   特征提取   MPDIoU   注意力机制  

摘要： 主流道路车辆目标检测算法在复杂环境下对小目标识别精度低,易因遮挡和定位不准确造成漏检、误检。提出了改进版YOLOv5算法。针对道路上的小目标,改进Head检测层结构,添加大尺度目标检测层,提高道路上小目标检测精度。为适应目标的形状和尺度变化多样,在颈部网络引入全维动态卷积(Omni-Dimensional Dynamic Convolution,ODConv),对原卷积模块进行替换,提高特征提取能力。为了充分利用全局信息,在颈部网络引入全局注意力机制(Global Attention Mechanism,GAM),提升特征提取能力。针对定位精度问题,引入MPDIoU损失函数,使预测框与真实框更加符合。实验结果表明,改进的YOLOv5算法在自动驾驶数据集KITTI上平均精度均值(mean Average Precision,mAP)达到88.7%,相较于基准模型提高了2%,每秒帧数(Frames per Second,FPS)提升了12%。改进算法的检测精度更高,检测速度更快,有效改善了复杂道路条件下的目标检测问题。

关键词： 体育训练   视频分析   区域检测   骨架提取   动作识别  

摘要： 为进一步提升体育训练中的数据智能分析水平,以体育教学中的武术训练为研究对象,提出一种基于多视角的视频智能分析系统。其中,以体育训练视频分析模块为主要研究对象,分别进行人体区域分割检测、人体骨架提取、步态特征提取和姿态估计,最终完成武术动作的检测识别分类。实验结果表明,分析系统中所构建的混合颜色空间以及改进的ZS细化算法均具有一定的有效性,能够在人体运动区域分割检测和骨架提取中有效提升数据提取精度,进而为后续的武术训练的动作识别分类奠定基础;所构建的分析系统能够精度较高的武术训练过程的动作识别,准确率达到90%以上。综上,所构建的基于多视角的视频智能分析系统能够进行效果良好的武术训练动作识别,可应用于实际的体育训练数据分析中,辅助进行教学质量的提升,可行性较高。

关键词： 图像处理   图像配准   电力设备   红外与可见光图像   局部归一化   曲率尺度空间  

摘要： 在电力设备红外和可见光图像配准中,红外和可见光图像间往往存在严重的非线性辐射畸变和显著的视角、比例差异,从而导致图像配准失败。针对这一问题,提出一种基于局部归一化的电力设备红外与可见光图像配准算法。首先利用局部归一化消除图像的非线性畸变,提高曲率尺度空间算法提取特征点的精准度;再根据局部曲率信息计算特征点主方向,采用多尺度定向梯度直方图作为特征描述符;最后使用提出的精准匹配方法对特征进行匹配,得到图像间的投影变换参数。所提算法在两组电力设备红外和可见光图像数据集下,平均均方根误差分别为2.18和2.24,平均运行时间分别为13.09 s和12.07 s,实验结果验证了该方法在处理具有明显视角与比例差异的待配准图像时的有效性,实现了电力设备红外和可见光图像的高精度配准。

关键词： 目标检测   注意力机制   标签分配   特征交互   深度学习  

摘要： 目标检测技术已成为计算机视觉领域重要的研究方向,在智能制造、自动驾驶等领域发挥关键作用。现有检测算法在复杂场景下仍面临目标尺度变化大、特征表达不充分等挑战。针对这些问题,提出了一种融合多尺度特征交互与动态标签分配的检测框架。该框架通过特征感知增强模块实现深浅层特征的双向交互,利用动态标签分配策略优化样本质量。实验表明,改进的检测框架在复杂场景下取得33.3%的平均精度,较基线模型提升8.0%,在小目标检测任务上尤为显著。

关键词： YOLOv8算法   无人机   目标检测   智能巡检  

摘要： 传统的目标检测算法在无人机应用中面临一些挑战,如高空拍摄环境下的目标过小导致特征不明显、模糊和视角变化等。为克服这些困难,提出了一种基于深度学习的小目标检测算法。该算法基于YOLOv8模型深度改造,以提高在高空环境下对小目标的检测准确性和稳定性。在真实的露天采矿场景中进行了大量的实验和测试,并与传统的目标检测方法进行了比较。实验结果表明,所提算法在30~100 m高空范围内能够有效地检测出矿区中的目标,如人员和车辆。通过应用所提算法和技术,结合无人机的灵活性和机动性,矿区的巡检工作效率得到极大提升,并为危险或难以到达的区域提供了重要的安全保障。

关键词： 目标跟踪   自注意力机制   ROS   位姿检测  

摘要： 针对传统方法在移动机器人位姿检测过程中存在的目标丢失和数据漂移等问题,提出了一种基于ViT深度学习框架的视觉跟踪器,优化了利用ArUco码作为辅助特征标识的位姿检测方法,有效改善了检测效果。通过ROS系统分布式通信方法构建视觉处理平台和移动机器人之间桥梁,测试了不同数据集下跟踪器的性能和跟踪器的加入对整个位姿检测方法的提升效果,实验结果验证了提出的基于视觉优化的移动机器人位姿检测方法的可行性,可以较好地支撑移动机器人展开实时任务。

关键词： 目标检测   杂草检测   精准除草   深度学习   研究进展  

摘要： 杂草不仅会与作物竞争生长资源,还会传播病虫害最终影响作物产量,杂草智能检测技术是田间杂草精准防治的关键环节。本文通过对国内外相关文献进行综述,并结合田间杂草智能检测技术的研究进展,深入分析传统杂草检测算法和深度学习杂草检测算法的特点,并根据算法在杂草检测过程中的实际应用情况,分别对3种常见的传统杂草智能检测算法、深度学习算法的单阶段杂草智能检测算法和两阶段杂草智能检测算法进行系统性分析。在此基础上提出目前田间杂草识别中存在的人工标注数据耗时长、模型泛化能力差、模型轻量化设计等现存挑战,最后针对现状对杂草智能检测技术提出技术发展策略,并对技术发展进行合理化展望,为未来杂草智能检测技术的深入研究提供理论参考。

关键词： 深度学习   目标检测   应用   视觉领域   神经网络  

摘要： 对图像或视频进行目标检测即对图像上的目标进行定位和类别判断,它是计算机视觉领域最基本和重要的任务之一。基于深度学习进行目标检测的方法是当前视觉目标检测领域的主流技术。该文回顾并分析近年来基于深度学习进行目标检测的一些技术成果,总结提高目标检测性能的方法并调研目标检测在各个领域的不同应用,同时提出当前目标检测存在的一些问题和对应的解决方法,最后针对目前存在的挑战讨论目标检测的发展方向。