关键词： 输电线路外力破坏   目标检测   特征提取   阶梯式特征融合   检测头轻量化   GIoU损失函数  

摘要： 针对输电线路巡检中无人机拍摄角度下器械易形变及带臂机械不同工作状态下特征复杂难以捕获的问题，提出一种基于阶梯式特征融合的外力破坏检测方法。该方法首先通过融合可变形大卷积核注意力网络提取无人机拍摄图像的特征信息；其次，利用多尺度序列特征融合模块进行阶梯式特征融合；然后，对检测头进行轻量化操作以减少参数量；最后，提出GCIoU NMS函数优化模型。在自建数据集上的实验表明，该方法的mAP50%和mAP50%-95%分别提高10.5和10.2个百分点，达到86.8%和58.4%；在VOC数据集上，mAP50%和mAP50%-95%分别提高7.3和8.1个百分点，达到79.5%和58.8%。实验结果表明，该方法有效提升了目标检测性能，对复杂环境下输电线路外部破坏检测具有重要参考价值。

关键词： 霍夫变换   深度学习   语义圆目标检测  

摘要： 目标检测领域的模型设计愈发复杂且精密，对于利用目标的固有特性进行模型设计的研究工作寥寥无几，并且这类方法对于深度网络模型具有更强的可解释性。在细胞检测领域数据往往具有明显的形状特征，通过形状先验的引入，模型具有更好拟合数据的能力。因此将经典的圆形霍夫变换与深度学习相结合，提出了可以单阶段端到端训练的Anchor-free语义圆目标检测框架。通过圆形参数化及深度霍夫变换，将二维特征图中圆形先验信息对应的特征值沿着圆形参数化变换方式，聚合到三维霍夫空间中的一个点，将语义圆检测问题转化为检测三维霍夫域中的一个点。其次，提出偏移量预测来缓解圆形参数化中离散化处理引发的精度下降问题。在CBC与TXL-PBC等多种血细胞检测数据集上测试结果表明，圆形先验信息的引入，增强深度检测算法的可解释性和泛化能力。

关键词： 深度学习   目标检测   合成孔径雷达   轻量化网络结构   模型剪枝  

摘要： 复杂SAR（Synthetic Aperture Radar）影像场景下准确高效的目标检测算法能够提升监测装备的感知能力。针对海上复杂环境SAR图像舰船漏检、错检问题严重，提出了一种轻量级视觉感知模型DH-YOLO（Double detection head-YOLO）。首先，提出了低维双检测头网络结构，解决SAR图像舰船小目标随着卷积导致的特征丢失问题；然后，提出了cosN-IoU（Cosine Normalized Intersection over Union）损失函数，设计新的锚框角度损失度量方式，并引入调节因子提高正样本的贡献。最后，提出了基于特征空间相似度的剪枝算法，依据滤波器相似度为可替换指标，完成网络特征信息剪枝，提高算法推理速度，实现轻量化处理。相较于当前主流算法，DH-YOLO在各方面均取得了不错的成绩，精度明显提高并且模型体积可压缩至190KB，模型推理时间可降低至3ms以下，能够满足SAR图像实时舰船目标检测。

关键词： 目标检测与跟踪   高速路侧雷达   毫米波雷达   多模态融合   智能交通系统  

摘要： 相机是智能交通系统（Intelligent Transportation Systems ，ITS）中使用最广泛的传感器，但目标遮挡和外界环境干扰导致的检测和定位精度下降一直是制约ITS发展的重要因素。为解决此问题，设计了一种基于高速路侧毫米波雷达（Millimeter-Wave Radar，MWR）和相机的多模态融合目标检测与跟踪方法。与相机相比，高分辨率MWR具有更好的测量精度和天气鲁棒性，是对相机感知的更好补充。提出的方法使用基于中心点的雷达-相机融合算法进行目标检测，并使用贪婪算法进行目标关联。提出的算法在具有挑战性的nuScenes数据集和自建的高速路侧多模态数据集上进行了评估。在nuScenes数据集中实现了69.1% AMOTA，并优于基准中所有基于视觉的3D跟踪方法；在自建数据集验证了适用性以及准确性，每张图像的运行时间为35ms。实验结果表明提出的方法达到预期是应用效果，非常适合ITS应用。

关键词： 行人重识别   少样本学习   目标检测   图像识别  

摘要： 行人重识别任务通常依赖于大规模标注数据。然而，在少样本场景中，标注数据的有限性导致模型难以充分学习到类别间的判别性特征。为应对这一挑战，研究者们提出了多种方法以提升模型在数据匮乏条件下的性能表现。根据所需标注数据的依赖程度，相关研究可以归纳为以下四个主要类别：有监督学习的方法、基于弱监督学习的方法、基于半监督学习的方法、基于无监督学习的方法。随着对标注数据依赖的逐渐降低，行人重识别领域呈现出从有监督学习到无监督学习的技术发展趋势。系统性地总结了当前在数据集和评估指标上的研究现状，并对未来可能的研究方向进行了展望。

关键词： 目标检测   目标追踪   YOLOv8n   联合对齐解耦头   DeepSort   料车计数  

摘要： 针对矿井下作业环境复杂、光照不足、煤尘干扰等因素导致的传统目标检测算法在检测矿下料车超挂时表现不佳问题，提出了一种料车超挂轻量化实时检测算法RIC-YOLOv8n。首先，使用轻量化模块C2f＿RegNetY替换YOLOv8n中主干和颈部网络中的C2f模块，减少了模型参数量并加快了模型推理速度；其次，为了提高检测头的特征提取性能，采用联合信息对齐学习方法增强分类和回归任务的对齐能力；最后，通过DeepSort进行矿下料车的目标追踪，设计了Residual＿IBN模块替换DeepSort特征提取网络中的残差网络，提高了目标追踪的性能。通过自制的矿下料车检测与跟踪数据集进行算法验证，实验结果显示：RIC-YOLOv8n在矿下料车识别平均精度达到91.4%，基于RIC-YOLOv8n和改进的DeepSort目标追踪算法在多目标追踪准确率达到89.13%，检测速度达到61FPS。提出的RIC-YOLOv8n和改进的DeepSort算法能较好的平衡检测速度与精度，适用于矿井下料车检测实时性作业的需要。

关键词： 振动测量   频率辨识   欠采样   计算机视觉   视频插帧  

摘要： 近年来基于视觉的振动测量技术得到了较大发展，但其对高频成分进行测量时往往处于欠采样条件，难以正确地对振动频率进行辨识。为此，提出了一种融合视觉测量与插帧技术的振动频率辨识方法。该方法通过引入基于实时中间流估计的插帧技术对原始采样视频进行帧率补足，并基于光流算法对补帧后的视频进行运动跟踪与振动测量，从而提升视觉测量方法在有限帧率下的振动频率测试能力。基于三维球体振动模型开展了方法的数值验证，在相同插帧倍率下，采样帧率越高，振动频率辨识效果越好；而在相同采样帧率下，插帧倍率越高，振动频率辨识效果呈现先提升后下降的趋势，4-6倍率插帧时效果最为理想。开展了简谐激励下的薄板振动测试试验和脉冲激励下的悬臂梁振动测试试验，利用本文方法辨识得到的振动频率相对误差不超过3%。结果表明，本文方法在欠采样条件下仍能对振动频率进行正确辨识，为帧率受限条件下的机械装备高频振动视觉测量提供了思路和技术手段。

关键词： 伪装目标检测   频域感知   深度学习   边缘引导   纹理增强   上下文特征聚合  

摘要： 伪装目标检测的目的是精确且高效地检测出隐藏在周围环境中的伪装目标.然而现在的多数伪装目标检测方法在遇到高度相似的背景干扰时，仅通过目标的局部RGB特征无法准确识别伪装目标.从动物借助频域信息识别伪装物体得到启发，本文提出了一种充分利用RGB和频域两方面的优势进行伪装目标检测的频域引导网络（FGNet).该网络设计了频域感知模块，利用主干网络提取到的多层次特征自动学习高频和低频特征.接着设计了双策略协同特征提取方法，针对高层特征设计了边缘引导特征模块，通过高频特征的引导实现伪装目标的边缘特征提取，针对低层特征设计了纹理信息增强模块，通过低频特征的引导实现伪装目标纹理的增强，通过双策略协同实现了快速初定位以及细节的保留和补充.最后设计了上下文特征聚合模块，通过跨层特征融合和先验引导校正来增强伪装目标的特征表示.与最新方法相比，本文提出的方法在CHAMELEON、CAMO-Test和COD10K-Test这3种常用的基准数据集上都体现出优越性.

关键词： 无人机   目标跟踪   轨迹规划   可视区域   视点优化  

摘要： 在无人机目标跟踪任务中,实时规划一条安全、有效且具有高度目标可见性的轨迹,是实现目标稳定跟踪的关键.为保证无人机在复杂未知环境下实现目标稳定跟踪,提出了一种无人机主动观测轨迹规划方法.首先,使用预测模型获得一系列离散的未来目标轨迹点;其次,根据当前环境地图信息,在每个目标轨迹点周围生成可视区域和初始视点,并设计一系列代价函数对视点进行优化;最后,结合每个目标轨迹点的最优视点位置约束对无人机跟踪轨迹进行优化.仿真结果表明,所提出方法能够在各种复杂环境中完成目标实时稳定跟踪任务,较好地解决了现有方法存在的目标被遮挡问题.

关键词： 算术平均融合   多扩展目标跟踪   Log-Cholesky距离   PMBM滤波器  

摘要： 在多传感器多扩展目标跟踪过程中，邻近目标由于质心距离过近导致难以准确分辨，直接采用扩展目标泊松多伯努利混合滤波算法去跟踪容易出现目标漏检情况。针对此问题，提出了一种改进算法。在多传感器信息融合阶段，基于对数-珂拉斯奇（Log-Cholesky，LC）距离提出了改进的椭圆外形度量方法，该方法不仅能够提供稳定的质心距离度量，还能够捕捉不同扩展目标外形矩阵的微小差异，实现了对不同传感器下同一扩展目标后验密度的有效关联。此外在局部传感器滤波阶段，对邻近区域内丢失目标对应的伯努利分量进行补偿，有效解决了因量测分布紧密被划分到同一子集导致的目标漏检问题。仿真结果表明，改进的算法具有良好的跟踪性能。