关键词： 低照度图像   目标检测   增强网络   频域处理   幅度差异损失   回归损失  

摘要： 针对低照度图像目标检测的挑战,提出一种端到端检测方法FDLIE-YOLO。首先,设计频域处理模块FDPB(Frequency Domain Processing Block),采用傅里叶变换提取全局信息,从而获取估计幅度分量,利用其与亮度的正相关关系,提升低光照图像质量,进而构建频域低照度图像增强网络FDLIENet(Frequency Domain Low-light Image Enhancement Network)。然后,使用YOLOv8n进行目标检测,通过联合损失实现图像增强与目标检测的端到端训练。该损失引入马氏距离的幅度差异损失,以精准调整图像幅度,并用MPDIoU(Minimum Point Distance based IoU)损失取代YOLOv8n原有的回归损失,提高检测准确性。实验结果显示,FDLIENet在低照度环境下的图像增强表现显著,在LOLReal和ExDark数据集上的PSNR、SSIM和NIQE指标分别达到23.18 dB、0.858和3.98;FDLIEYOLO在ExDark数据集,平均精度均值mAP为80.6%,较当前主流端到端检测方法提高了1.1%~1.6%,且实时性好。

关键词： 图像处理   特征参数   支持向量机   谱系聚类法  

摘要： 利用图像处理的方法对220类树叶,共计16846张树叶图像进行研究。对预处理的树叶图像从形状、叶裂和颜色3个方面进行研究并分别建立模型,计算给定一片树叶属于某一类的概率。根据提取的特征参数,利用支持向量机(SVM)进行学习,并对测试集进行分类。利用描述叶子的各种特征参数,以类间距离度量220类树叶之间的相似度,再利用无监督谱系聚类法绘制谱系图。实验中,将数据以不同比例划分为训练集和测试集,得到不同的正确率,其中,当训练集为80%,测试集为20%时,模型的正确率是最高的。

关键词： 目标检测   联合优化   YOLOv8   复杂天气   图像去噪  

摘要： 针对自动驾驶车辆视觉感知系统在雾天、雨天等复杂天气下因环境噪声导致目标检测效果不佳的问题,提出基于自适应图像去噪与多重关注的联合优化目标检测算法(DMC-YOLO)。构建一个图像去噪网络,融合暗通道先验算法和ACE图像增强技术模块,提升复杂天气下的图像质量;进一步地,将该网络与YOLOv8主干网络相连,并在YOLOv8网络中运用SCDonw卷积代替标准卷积,集成点卷积与深度卷积,降低网络计算成本,同时获得更丰富的下采样信息;采用SEAM注意力模块,整合网络局部信息和全局信息;引入SA检测头,广泛关注上下文特征以保留更多细节信息;在损失函数中引入线性区间映射重构IoU,以提升网络对于不同复杂环境的适应性。实验结果表明,相较于基线模型,改进算法在参数量降低15%的情况下,平均精度提升2.9%,有效增强了自动驾驶车辆在复杂环境下对目标的识别能力,在EC-R3588SPC和Nvidia Jetson NX边缘设备上部署效果良好,可以满足复杂天气下的实时检测需求。

关键词： 室外直升机桨叶   旋转目标检测   多特征   多头自注意力机制(MHSA)   损失函数  

摘要： 目的桨叶运动参数是直升机设计到生产的重要指标,传统的视觉测量方法直接应用于室外环境下,由于受复杂光照背景影响,存在找不到桨叶区域、不能进行准确测量的问题。据此,本文提出一种融合多特征与自注意力的旋转目标检测器(fusion multi-feature and self-attention rotating detector,FMSA-RD)。方法首先,针对YOLOv5s(you only look once)特征提取能力不足和冗余问题,在主干网络中设计了更为有效的多特征提取和融合模块,结合不同时刻位置与尺度下的特征信息以提高网络对室外桨叶的检测精度;并去掉部分无关卷积层以简化模块结构参数。其次,融合多头自注意力机制与CSP(crossstage partial convolution)瓶颈结构,整合全局信息以抑制室外复杂光照背景干扰。最后,引入倾斜交并比(skew intersection over union,SKEWIOU)损失和角度损失,改进损失函数,进一步提升桨叶检测精度。结果本文进行了多组对比实验,分别在自制的室外直升机桨叶数据集和公共数据集DOTA-v1.0(dataset for object detection in aerial images)上进行验证,对比基线YOLOv5s目标检测网络,本文模型平均精度均值(mean average precision,mAP)分别提高6.6%和12.8%,帧速率(frames per second,FPS)分别提高21.8%和47.7%。结论本文设计的旋转目标检测模型,提升了室外复杂光照背景下桨叶的检测精度和速度。

关键词： 多曝光图像融合   多尺度分解   引导滤波   计算机视觉   图像增强  

摘要： 普通的成像设备易受光照影响,过曝光或欠曝光都会导致图像质量下降,难以满足人们的需求。基于此,许多学者提出了曝光图像处理算法,通过将多幅不同曝光程度的图像进行合成,实现曝光图像质量的提升。在现有算法的基础上提出了一种多曝光图像融合算法,将图像在HSV空间进行基于引导滤波的多尺度分解,将图像分解为细节层和基础层。通过赋予细节层和基础层不同的权重来完成细节层与基础层的融合。将细节层和基础层进行叠加,同时将融合后的图像转回到RGB色彩空间来完成对曝光图像的处理。实验结果表明,提出的算法能够较好地完成多曝光图像的融合,保留图像细节,与对比算法相比有较好的融合性能。

关键词： 激光预测   目标跟踪   目标运动估计  

摘要： 空中目标运动状态的自由度更高,目标的运动状态更难获知。现有的方法聚焦于二维空间(方位、俯仰)相对运动轨迹估算,忽略了侦查平台自身姿态变化对目标运动轨迹估算的干扰,难以直接应用于机载红外平台应用。针对该问题,本文提出一种机载红外平台下空中目标三维运动估计方法,测算目标在北西天坐标系下各向的运动状态。为提升目标位置估算的精度,本方法引入了目标距离信息,及侦查平台的自身姿态信息,提升红外目标运动状态估计的抗干扰性。本文方法首先采用基于TLD和卡尔曼滤波的目标跟踪模块,采用先检测后跟踪的策略,同时采用卡尔曼滤波缓解目标质心抖动对目标位置估算精度的影响;其次提出长短时策略距离预测模块,用于预测补充激光测距器未获取到的目标距离信息;最后通过基于先验信息的空中目标运动估计模块,获取目标在北西天坐标系下各向的运动状态,实现对空中目标三维运动信息估计。在已知空中目标三维运动信息条件下,通过本文方法可以反向解算目标在当前侦查系统的二维空间信息。实验结果表明,本方法目标距离预测结果误差小于50 m,参考坐标系下北西天各向速度误差小于25 m/s,当侦查系统姿态角发生变化时,本文方法对目标跟踪的稳定性优于卡尔曼滤波。

关键词： 分布式光伏   深度学习   目标检测   行为分析  

摘要： 文章提出一种基于深度学习算法的人员违章识别分析方法,旨在通过自动分析现场监控视频,实现对分布式光伏项目建设过程中人员违章行为的快速检测和分类。基于多特征融合的图像分割算法,结合目标检测和行为分析算法,判断是否存在违章行为。试验结果表明,文章提出的方法在分布式光伏项目中具有较高的准确性和实时性。通过对实际监控视频的分析,能够准确检测出人员违章行为,并对其进行分类。这种方法不仅提高了监控效率,避免了人员违章行为影响项目进度,减少了安全事故的发生,还为人员违章的监管和预防提供了有效技术支持。

关键词： 单目三维目标检测   深度引导   多尺度通道注意力机制   自动驾驶  

摘要： 针对三维边界框无法从缺少空间线索的单目图像中准确估计的问题,本文提出一种基于深度信息引导和多尺度通道注意力机制的单目三维目标检测算法。为了引入三维信息并有效地获取和利用不同尺度特征图的空间信息,在特征提取模块中利用多尺度分割注意力算法,分别从单目图像和深度图中提取多尺度预处理特征图,利用通道注意力算法进行权重标定,提高了特征图的表征能力。通过深度引导动态局部卷积网络,将包含多尺度信息的深度图特征作为单目图像特征的特定卷积核,引入三维信息作为指导,减少直接融合的误差累积,并解决单目视觉中近大远小的尺度敏感问题。选择不同的评估指标对模型的性能进行评价与比较。实验结果表明,同其他算法相比,本文算法的自动驾驶数据集中汽车、行人、骑自行车的人的三维目标检测平均精度均提高。

关键词： 目标检测   铁路综合视频监控系统   明度动态感知   深度学习   YOLOv8  

摘要： 铁路轨道沿线场景具有空旷开阔、占地面积大的特点。由于高清摄像头的普及,导致大部分入侵物体目标在图像中具有占比面积小,像素点数量少,进而降低算法对目标尤其是小目标的检测性能。针对该问题,提出基于明度动态感知裁剪和YOLOv8的铁路沿线异常感知检测方法。首先通过明度动态感知方法感知运动目标区域,再以动态目标为中心裁剪图片输入YOLOv8网络进行检测,防止目标区域图像输入网络时特征信息被压缩,最后在RailD49数据集上验证了该算法的召回率为80.33%,准确率为81.67%,相较于原始YOLOv8m对铁路运动目标的检测能力有所提升。

关键词： 道路目标检测   YOLOv5   Transformer编码器   特征重组   高效卷积注意力模块  

摘要： 针对无人机影像中道路小目标漏检和目标之间遮挡导致的目标检测精度低、鲁棒性差等问题,提出一种多尺度的道路目标检测算法——YOLOv5-FTCE。执行多尺度的目标定位改进,采用完全交并比(Complete Intersection over Union,CIoU)边界框损失,通过K-means算法对先验框进行重聚类,调整先验框的锚框参数并增加一个针对小目标的YOLO检测头;引入Transformer encoder结构融入C3模块改进Backbone网络,增强网络对不同局部信息的捕获能力;选用基于特征重组的Content-Aware ReAssembly of FEatures(CARAFE)模块进行上采样,提高上采样性能的同时减少特征处理过程中的信息损失;引入高效注意力模块(Efficient Attention Module,EAM)融合空间和通道信息,对网络中重要的信息进行增强。结果表明,YOLOv5-FTCE算法在VisDrone数据集上,检测精确率相比原始算法提高了9.5%,mAP50提高了8.9%,优于YOLOv7等其他常见的算法,有效改善了道路小目标和遮挡目标的漏检现象。