关键词： SIFT   单应矩阵   目标检测   RANSAC  

摘要： 针对现有的指针式仪表识别算法通用性不强、识别条件苛刻的问题,提出一种基于SIFT特征点匹配的指针式仪表矫正与识别方法。该方法使用YOLOv5在图像中检测出仪表的准确位置以去除背景区域;采用SIFT特征匹配矫正对齐待识别仪表图像与参考仪表图像,获得刻度点和圆心的位置;利用二值图像进行直线拟合确定仪表指针位置;根据刻度点和指针的距离计算仪表读数。实验结果表明,在轨道式巡检场景下仪表的检测精度达98.9%,读数精度在一个刻度间隔内,且能处理刻度不均匀的指针式仪表。

关键词： 视觉跟踪   Transformer   时空特征   自注意力   特征编码  

摘要： 视觉目标跟踪中,由于目标移动速度不同,连续帧对时空邻域的贡献程度也不同。为学习视频帧对邻域信息的贡献,结合自注意力机制学习不同帧的权重大小,提出了一种基于时空Transformer的视觉目标跟踪方法。该算法主要通过关联多帧特征,并在时域上进行信息聚合。首先,将图像通过空间Transformer编码器(STE)对空间特征进行编码。然后,通过时空Transformer解码器(STD)模块在时间维度上聚合帧间信息,以捕获时间和空间的全局上下文信息。最后,在LaSOT、GOT—10k等主流数据集进行测评。实验结果表明:算法在精度、成功率及其他评价指标上取得了一定程度的提升。

关键词： 目标跟踪   孪生网络   分类   回归   深浅层特征融合   分类与IoU联合训练  

摘要： 深度学习相关的目标跟踪算法在利用深浅层特征融合时,未考虑分类分支与回归分支的差异性,两分支均使用同一融合特征,不能同时满足各自分支的不同任务要求。依据分类分支与回归分支的不同任务要求与深浅层特征之间的关系,提出了一种新的特征融合方式用于视觉目标跟踪。将骨干网络中不同特征层的通道数按比例进行微调,分别形成适合分类分支与回归分支的融合特征。为验证所提特征融合方式的有效性,在基于SiamCAR算法的基础上进行优化,改变特征提取与融合方式,在UAV123、GOT-10K、LaSOT数据集上提高了2%~3%的精度。实验结果证明:所提特征融合方式是有效的,同时框架整体以75帧/s的实时运行速率实现了良好的跟踪性能。

关键词： 图像处理   干涉条纹图像   正余弦分解   离散余弦变换(DCT)  

摘要： 双偏振干涉技术是利用光的偏振特性和干涉现象来分析和测量材料的光学技术。为了消除干涉图像中的噪声干扰,提出了一种基于正余弦分解和离散余弦变换(DCT)的去噪算法。首先通过正余弦分解获取干涉图像的映射图像,然后在DCT频域中对DCT系数进行压缩,最后利用反正切运算重构去噪后的图像。将所提算法与传统的滤波方法、偏微分方程图像处理技术、快速非局部均值(FNLM)滤波、加权核范数最小化(WNNM)算法以及无监督深度学习去噪策略(N2N)进行对比。对比实验结果表明:所提算法在峰值信噪比(PSNR)和结构相似性(SSIM)评价指标上优于其他对比算法。对去噪前后干涉图像组的相移曲线进行了对比,所提算法去除了异常跳变,进一步验证了算法的有效性,且双偏振干涉技术后续计算的准确性得到提高。

关键词： 小麦根系   三维重建   折射校正   图像处理   表型提取   SFM  

摘要： 小麦根系作为关键的水分和养分吸收器官,其表型特征对了解小麦生长状况及土壤环境具有重要意义。然而,根系地下生长的特性使得其观测面临挑战。本研究设计了一套小麦水生培养装置、基于虹吸原理的柔性换液装置及根系图像采集系统,并针对该系统开发了图像光学折射校正方法,通过SFM算法构建了根系的三维点云模型,并提取了相关表型特征。试验表明,柔性换液装置使换液前后根系图像结构相似度提高至0.98;折射校正方法使图像误差减少62%。采用提出的装置及方法对小麦根系生长发育受氮环境的影响进行了探讨。研究结果表明,在低氮条件下,小麦根系展现出更深、分布更密集的生长趋势。另外,相比于氮高效品种,氮低效品种对氮环境变化更敏感。本文提出的装置及方法有助于高通量植物根系三维表型分析。

关键词： 遥感技术   深度学习   卷积神经网络   目标检测   图像处理  

摘要： 随着卫星发射技术的不断进步与成熟,高分辨率遥感图像技术随之不断进步,遥感图像数据的获取也变得愈发便捷,从遥感图像中提取到的道路车辆的特征也愈发清晰。基于高分辨率遥感图像对道路车辆定位可以快速识别相对广阔范围内车辆的数量,是智能交通控制和解决交通突发状况的重要手段。文章根据南京市玄武区紫金山区域的高分辨率遥感图像,基于TensorFlow机器学习框架,使用SSD目标检测算法对道路车辆的定位展开研究。考虑到SSD网络框架涉及的参数量较大,用Mobilenet轻量级卷积神经网络替换SSD网络框架中使用的部分VGG网络。采用深度可分离卷积,在大幅度减少所需参数量的同时,缩短获取结果的时间。最后对实验结果进行多指标定量和定性分析后表明,该方法在光照条件良好且视野开阔的区域的道路车辆定位检测准确率高,光照、植被、建筑物干扰时道路车辆定位检测准确率较高,实验结果较YOLO V2和YOLO V3有优势。

关键词： 深度学习   遥感图像   定向目标检测   无锚框   注意力机制   多尺度特征融合  

摘要： 目的任意方向的多尺度目标和复杂的背景信息,使得在遥感图像上的目标检测相比一般目标检测任务具有更大的挑战。尽管一些现有的检测模型取得了令人满意的成果,但它们主要基于锚框实现,其检测性能依赖于预定义锚框的设计。本文在Faster R-CNN(faster region-based convolutional neural network)的基础上,通过结合无锚检测思想与监督掩码注意力技术,提出了一种新的两阶段无锚检测模型。方法首先,对于骨干网络提取的特征金字塔构建一个监督掩码注意力模块,通过注意力机制和掩码监督方法引导检测模型关注目标区域,减少背景噪声的干扰,从而提高目标特征的质量。其次,结合FCOS(fully convolutional one-stage object detection)的回归思想以及中心点偏移技术设计了一个基于关键点预测的无锚定向区域提议网络,并且在训练阶段采用动态调整的软标签策略,实现标签的合理分配,提高模型的检测精度。结果在两个公开的遥感数据集DOTA(dataset for object detection in aerial images)和HRSC(high-resolution ship collections)2016上进行了大量实验,平均精确率均值(mean average precision,mAP)分别达到76.36%和90.51%,超过大多的定向检测模型,表明了本文方法的先进性和有效性。结论本文提出的检测模型通过将区域提取网络的无锚框设计、监督方法以及注意力机制进行结合,能够有效适应复杂遥感图像中的定向目标检测场景。

关键词： 高速匝道   汇入车流量   轻量化检测   检测模型   目标检测   模型优化  

摘要： 高速匝道汇入车流量具有高度动态和非线性的特性,加大了汇入车流量的检测难度。为此,提出高速匝道汇入车流量轻量化检测算法。通过对原始视频图像进行灰度化转换,分割出前景图像,结合背景差分方法提取车辆运动特征。基于高速交通流数据,利用YOLOv4算法生成多个预测框,结合外观匹配机制确定预测框的位置,由此识别出图像中车辆目标。引入CIoU损失函数,通过不断迭代对预测框的尺寸损失进行补偿,使得预测框逐渐逼近真实框,以此实现对车辆目标检测的后处理与偏差调整。采用时间序列自回归方法构建汇入车流量检测模型,并引入剪枝和并行计算策略对模型进行压缩与加速处理,以优化模型的检测性能,进而输出特定时段的汇入车流量。实验结果表明:应用所提方法检测6000帧的视频画面中的汇入车流量时,得到的检测值与实测值一致,误差基本为0,具有较高的检测精度。

关键词： 雷达   目标检测   先验信息   贝叶斯估计  

摘要： 在高海况、低信杂比条件下，受海尖峰影响，均值类恒虚警检验统计量常出现长拖尾分布，目标与杂波混叠严重，进而导致检测性能下降。为削弱海尖峰等异常样本影响，本文在考虑大尺度广域海面回波数据时序关联性的前提下，将数据信息的利用从单帧扩展到多帧，按照贝叶斯估计思想，从多帧数据中挖掘先验信息，并利用序贯估计思路形成贝叶斯检验统计量，与SO-CFAR(Smallest of Constant False Alarm Rate)检测框架相结合，提出一种应用先验分布迭代感知信息的SO-CFAR检测方法。所提检测方法使用幂次变换加强原检验统计量的高斯性，在保证迭代稳定性的条件下，完成历史帧与当前帧的融合。2～5级海况实测数据对比分析结果表明，所提方法在高海况下相比原方法和现有多帧方法，目标检测概率均有明显提升，证实了所提方法在改善检测性能方面的优势。