关键词： 图像匹配   MEMS惯性导航   计算机视觉   传感器融合   自主导航  

摘要： 针对无人机在无GPS环境和夜间环境下难以导航的问题，本文提出了一种基于异源图像匹配与惯导融合的机载自主定位与导航方法。该方法能实现红外或可见光航拍图像与卫星可见光基准图像的配准，并基于配准结果实现自主定位和航向修正。本文的异源图像匹配方法由基于结构特征的快速图像匹配和基于端到端学习网络的精确配准组成，前者可以提供20Hz左右的位置修正，后者可以提供高精度的位置和航向修正。本文通过位姿融合滤波方法，将图像匹配获得位置和方向信息与惯导融合，可以有效抑制惯性导航误差的发散，最终提高导航精度。挂飞测试结果表明本文方法比较现有方法能有效提高定位精度和可靠性，并能在机载嵌入式计算平台上达成实时处理。

关键词： 尺寸测量   语义约束   轮廓重建   目标检测  

摘要： 针对单帧视角数据难以反映大尺寸目标的完整轮廓从而导致尺寸测量受限的问题,以汽车为大目标测量研究对象提出了基于视觉语义约束的激光雷达大目标尺寸测量方法。该方法首先通过联合标定和时间戳最近邻匹配实现激光雷达、相机和惯性测量单元数据的时空同步;然后移动小车获取整个目标3个维度上的信息,利用同时定位与建图技术实现被测目标轮廓重建,并且在该模块通过基于地面的残差优化和回环检测框架提升算法精度;之后对点云去噪后使用地面分割算法分割地面点与非地面点,并采取直通滤波保证分割效果,与此同时使用目标检测算法获取图像中目标的类别和位置信息;其次通过自适应阈值点云聚类方法,将不同点云簇中心进行视觉投影,根据视觉目标检测结果定位目标对应点云;最后,设计了一种轮廓拟合算法完成目标点云的轮廓拟合,再利用三维框拟合算法实现目标的尺寸计算。实验结果表明,对于汽车这类尺寸较大的物体,提出的方法在有较多车辆的停车场,车辆长度的最大误差<1.9%和平均误差<0.82%,宽度的最大误差<3.26%和平均误差<2.08%、高度的最大误差<3.99%和平均误差<1.99%,具有良好的工程应用前景。

关键词： 人体姿态估计   工业遮挡   数据增强   计算机视觉  

摘要： 人体姿态估计是工业制造5.0的重要支撑技术之一,已经在行为识别、人机交互、数字孪生等多种场景展开了应用。然而,在复杂工业场景下,告示牌、管线、立柱等物品极易对作业人员形成局部或全局遮挡,导致人体姿态估计模型在关键点定位时出现偏差,造成模型对姿态估计的准确率降低。针对该问题,提出一种面向复杂工业场景的人体姿态估计性能增强方法,该方法首先基于量子化自编码器对人体关键点进行结构化建模,将关节点特征映射到量子化隐空间,以提升人体部分遮挡时姿态估计的准确率。然后,针对工人遮挡数据集构建困难的问题,创新地提出了一种面向人体姿态遮挡的动态数据增强训练方法,在模型训练过程中,通过评估人体姿态估计模型在数据集上对各关键点的估计结果,使用工业场景真实遮挡物动态生成符合工业场景特征的工人遮挡图片用于下一次模型训练,进一步提升模型在人体姿态估计任务中的鲁棒性。实验结果证明,所提的方法在自建数据集上相比先进方法 PCT平均准确率AP和平均召回率AR分别提升了3.8%和2.7%,其能够有效地应对复杂工业场景中的作业人员人体遮挡问题。

关键词： 数字信号处理技术   电子信息工程   应用   通信   图像处理   音频处理  

摘要： 本文深入探讨了数字信号处理技术在电子信息工程中的应用研究。首先概述数字信号处理技术的基本原理与发展脉络,随后分析其在通信、图像处理、音频处理等领域的应用现状。面对技术难题与性能瓶颈,并提出相应的解决方案。研究表明,数字信号处理技术通过离散化与数字化处理,显著提升了信号处理的精确性与工作效率,成为电子信息工程领域不可或缺的核心技术。随着技术的不断进步,数字信号处理技术将在更多领域发挥重要作用,推动电子信息工程向智能化、高效化方向发展。

关键词： 计算机视觉   光流   去模糊   插帧   位移识别  

摘要： 视觉测量技术虽已广泛应用于结构振动识别，但在运动模糊、噪声干扰及大位移等复杂条件下仍面临精度不足的问题。为此，提出一种基于图像去模糊与插帧的振动位移识别方法，以此来提升在复杂条件中结构振动测量的鲁棒性。首先，引入一种基于逐像素核估计的时空耦合去模糊能量模型，该模型通过初始化的双向光流能够同时估计清晰帧和优化光流，从而有效抑制图像中的运动模糊、噪声。随后，基于连续帧及其优化的光流进行双线性插值，生成中间帧，以此来解决因欠采样或帧间大位移而导致位移估计难的情况。最后，利用KLT(KANADE-LUCAS-TOMASI)光流算法对去模糊与插帧处理后的图像序列进行位移识别。为了验证此方法的有效性，分别开展了室内框架结构试验与室外人行天桥试验。室内试验结果表明，去模糊能量模型在不同噪声强度与运动模糊条件下均显著提升了图像质量和位移识别精度；在去模糊基础上融合插帧策略，进一步提升了大位移条件下的位移识别精度与特征点的跟踪稳定性。室外试验结果表明，与未经预处理的传统KLT和金字塔KLT光流识别方法相比，经过去模糊与插帧预处理后的识别结果，位移误差均值分别降低了0.573mm、0.085 mm，标准差分别降低了0.336 mm、0.081 mm。该图像预处理策略能有效提高结构位移识别精度，并避免了使用图像金字塔时可能引起的精度损失。在复杂条件中，基于图像去模糊与插帧的振动位移识别方法具有良好的测量鲁棒性和工程应用前景。

关键词： MIMO-OFDM雷达   小型无人机   多普勒分复用   相参积累   速度解模糊  

摘要： 针对低信噪比（SNR）下小型无人机检测难题，提出一种基于子带相参积累的多普勒分复用（DDM）多输入多输出正交频分复用（MIMO-OFDM）雷达检测方法。该方法通过在OFDM符号中添加DDM相位调制，构建多普勒维正交信号。基于二维快速傅里叶变换（2D-FFT）得到目标距离-速度图，并利用速度维周期扩展特性进行子带相参积累，实现低SNR下回波能量有效积累。此外，通过模糊数遍历的多普勒补偿和相参积累输出的目标峰值对比，得到目标真实模糊数。仿真结果表明，所提方法在SNR为-30dB时，检测概率达到95%，相比非相参积累方法降低了10dB，实现目标回波有效积累和速度解模糊，为小型无人机检测提供了一种新的技术手段。

关键词： 毫米波雷达   非视域感知   隐藏目标   点云转换   伪图像   大规模动态场景  

摘要： 传统视觉感知方法仅能捕获视线范围内的物体信息，无法检测被场景障碍物遮蔽的物体。非视域（NLOS）方法则通过分析反射或投射到可见中继表面的光或电磁信号来还原这些被遮挡物体的信息。然而，经过多年研究，现有NLOS方法在户外环境中捕捉经多次反射的微弱信号成分仍是巨大挑战，这为复杂动态的户外真实场景的非视域感知应用带来了巨大挑战。为此，本文提出采用高性价比的毫米波雷达实现大规模动态场景中隐藏目标的检测与追踪。此类雷达已在汽车工业中广泛应用并支持低成本大规模生产。在将雷达点云转换为伪图像后，我们用所提出的双阶段注意力网络（TSAN）进行隐藏目标的检测与追踪。实验表明，TSAN双阶段注意力网络模型在多种交并比阈值下显著提升多类别检测性能，平均精度均值（mAP）达75.62%。相较现有成果，TSAN网络的mAP提升5.99%，性能优于当前最先进方法。此外，基于本文方法构建的原型样机，展现了一种低成本非视域目标检测与跟踪系统方案。实验验证了该系统能够实时、经济高效地实现NLOS目标检测与跟踪任务。

关键词： 红外图像   探测无人机   多尺度学习  

摘要： 针对无人机目标体积小、在图像中所占像素少、纹理细节信息弱、算法难以有效提取红外无人机目标特征导致检测精度较低等问题，提出多尺度学习的目标检测算法。通过在模型的颈部网络中构造多尺度特征融合结构，引入多尺度特征学习模块，将深层网络和浅层网络的特征进行级联，获取目标在多个尺度上的特征，丰富特征图的语义信息和特征信息，显著提高了算法对小型无人机目标检测精度。在训练过程中使用SIoU代替CIoU损失函数，使网络模型在训练过程中损失最小化，提高了回归精度。实验结果表明，与其他红外小目标、主流检测算法相比，本文所提方法能有效提高无人机目标的检测精度，在实际应用中可以满足探测无人机目标的检测精度需求。

关键词： 目标检测   多模态   卷积网络   视觉注意力网络   局部全局特征   特征融合  

摘要： 为提升红外与可见光目标检测方法在光照不均、目标重叠、目标尺度多样等复杂环境下的检测性能，将卷积神经网络与视觉注意力网络相结合，设计了一种基于卷积与自注意力机制的多模态目标检测模型。模型针对红外和可见光图像特点，采用轻量级网络设计理念构建多分支特征提取结构。可见光分支以分组卷积单元为核心从局部视角逐层提取图像中的纹理细节特征；红外分支以基于窗口的高效率多头自注意力模块为基础从全局视角提取图像中的显著特征。针对不同模态特征，设计跨模态信息融合结构，通过关键特征增强以及动态调整融合权重的方式实现红外和可见光特征互补。同时，为提升模型的尺度不变性，引入多尺度特征过滤融合结构，分别从通道和空间位置角度缓解不同维度特征间信息冲突。通过在数据集上的实验表明：所提网络在全局局部特征提取、跨模态信息互补以及多尺度信息融合等方面都有较大的提升效果，并且与当前同类方法相比，该方法在复杂场景中检测精度达到85.3%，且具备更高的泛化能力和鲁棒性，能够更准确高效地完成目标检测任务。

关键词： 道路缺陷检测   RT-DETR   BiFPN   深度学习   目标检测  

摘要： 道路破损增加了交通事故的发生概率，严重威胁交通安全。因此，实时监测路面状况对于保障道路安全和有效管理基础设施至关重要。针对现有道路缺陷检测中精度不足和小目标检测困难的问题，本文提出了一种基于改进RT-DETR的道路缺陷检测算法。首先，通过引入部分卷积(PConv)对RT-DETR主干网络进行重构，从而有效降低计算开销；其次，在主干网络中融合三重注意力机制(Triplet Attention)，提升模型对多维特征的感知能力，进而更精准地捕捉图像细节。接着，采用双向特征金字塔网络(BiFPN)优化CCFM特征融合模块，并引入S2特征，增强小目标的检测性能。最后，利用DySample上采样算子获取更多局部细节与语义信息，进一步提升模型对小目标的检测能力。实验结果表明，改进后的算法在RDD2022数据集上的mAP@50较原始RT-DETR模型提升了3.6%，且参数量减少了12.5%，检测速度达到66 FPS。与其他目标检测算法相比，改进算法在检测精度和速度方面均表现出显著优势，具有更好的实际应用前景。