关键词： 小行人目标检测   SSD算法   注意力机制   亚像素卷积   多尺度特征融合  

摘要： 在地铁场景中，小行人目标由于分辨率低，包含特征信息较少，现阶段目标检测器对此类目标的检测仍具有挑战性. SSD目标检测算法利用金字塔网络的多尺度检测头，能一定程度提高行人目标检测性能，但将其应用于地铁等复杂环境中实现小行人目标检测仍具有一定局限性.针对上述问题，提出一种改进SSD算法以加强地铁场景中小行人目标检测效果.通过构建地铁场景行人目标数据集，标注相应标签，同时进行数据预处理操作；在特征提取网络中加入金字塔特征加强模块，将多分支残差单元、亚像素卷积和特征金字塔相结合获得图像多尺度、多感受野融合特征；利用上下文信息融合模块将图像低层特征与上下文特征相融合，生成扩展特征层用于检测小行人目标；设计一种基于Anchor-free的动态正负样本分配策略，为小行人目标生成最优正样本.实验结果表明：提出的改进SSD算法能有效提高地铁场景小行人目标检测性能，对遮挡严重的小行人目标检测，效果提升更为明显.

关键词： 水下无线传感网络   多目标跟踪   比特分配   动态规划  

摘要： 受海洋环境影响，水下无线传感网络在进行目标跟踪时存在能量和通信带宽受限的问题。因此，在发送原始数据之前需要对其进行量化以减少能耗、节约通信带宽。比特分配就是在总量化比特数受限时通过合理分配比特数以达到更好的跟踪效果。针对水下多目标跟踪场景下比特分配问题研究存在的空白，提出了分层比特分配算法。首先，推导了多目标跟踪情况下节点量化量测值与费舍信息矩阵的关系，并引入加权因子，将多目标跟踪情况下比特分配问题转化为优化问题。然后，利用近似动态规划，先将总比特数分配给各目标，再将各目标分配到的比特数分配给参与该目标跟踪的传感器节点。由仿真结果可以看出，在同样的比特数下，所提出的分配算法能达到更好的跟踪效果。

关键词： 计算机视觉   特征匹配   定位识别   深度学习  

摘要： 阐述针对电力设备智能巡检中的设备识别与热状态检测需求，探讨基于图像处理与深度学习相结合的解决方案。重点分析图像去噪、增强及特征提取匹配等关键技术，并建立适用于电力设备监测的特征提取算法与匹配模型。

关键词： 高光谱图像   异常目标检测   图信号   拉普拉斯矩阵   图傅里叶变换  

摘要： 为提高高光谱图像异常目标检测的精度，提出一种基于拉普拉斯矩阵图的异常目标检测方法（Laplacian Matrix Graph for Anomaly Detection,LGD）。通过构造全连接图和高斯核函数构造的近邻矩阵，将高光谱图像中异常目标的位置和光谱信息进行联合处理，实现了高光谱数据不同波段之间的信息融合；利用图的傅里叶变换和拉普拉斯矩阵性能，将图信号的总变差作为判断异常目标的评价函数，实现了异常目标像素点的准确检测，避免了常规检测算法中的矩阵求逆问题，降低了算法的复杂度。在异常检测常用的AVIRIS-I、AVIRIS-II、ABU-urban-2、ABU-urban-4和EI Segundo 5种高光谱数据集上，进行了算法性能验证。实验结果表明：该算法在5种数据集上异常目标检测的AUC值与ROC曲线均优于其他算法，在检测精度上具有明显优势。

摘要： 低空对地监控是我国公共安全监控和人民安全防护的重要手段，机载探测感知系统与技术是低空对地监控能力实现的核心要素。太赫兹雷达成像为全天候、视频级、高分辨监视提供新的技术与装备，为交通监控、应急救援、安防反恐等领域提供可靠信息来源。如何基于机载太赫兹雷达视频中的动/静目标信息，进行重点区域目标检测、识别、跟踪，值得深入探索。此外，视频SAR与可见光、红外宽谱段集成，还可以视频级高刷新率实现低空对地多模态、高精度感知，多模态传感信息集成将有力提升重点目标识别跟踪鲁棒性。本专题拟对以上问题进行探讨。一、征稿范围

关键词： 无人机目标检测   YOLOv8   SASnet   多尺度上下文特征增强注意力   C2f＿ODConv  

摘要： 针对无人机成像中目标小、背景复杂多样的问题，以及现有目标检测模型在检测精度、参数量和推理速度方面的不足，提出了多尺度上下文特征增强的无人机目标检测算法：(1)使用SASnet骨干网络，在不增加冗余特征的情况下提升特征提取能力；(2)加入多尺度上下文特征增强注意力机制，聚焦不同尺度的特征信息；(3)采用AKConv模型，突破传统固定窗口和采样形状的局限，获取更丰富的上下文信息；(4)使用高效的C2f＿ODConv模块，动态调整卷积核的形状和大小，以适应不同输入数据，提升精确率、召回率和检测精度。实验结果表明，在VisDrone2019数据集上，本文模型相较于YOLOv8模型，检测精度提升2.6%,参数量减少近1 M,推理速度达到147 FPS;相较于YOLOv7-tiny检测精度提升4.7%,参数量减少3.95 MB,计算量减少1.3 G,FPS提升37。在NWPUVHR-10和TinyPerson数据集上，本文模型在精确率、召回率、检测精度以及推理速度等关键指标上均实现显著提升，进一步验证了本文模型的优越性和通用性。

关键词： 目标跟踪   相似干扰   细微特征   数据关联   在线分类器   移动机器人  

摘要： 针对现有移动机器人跟踪算法在长时间运行的情况下易受背景干扰而丢失目标的问题，提出一种基于细微特征的长期目标跟踪模型。该模型主要由数据关联、在线分类器以及细微特征判别模型SFD构成。数据关联主要用于在简单场景下快速识别目标并跟踪；在线分类器专门处理目标被行人或复杂干扰物遮挡时的识别与跟踪任务；SFD系统则专门针对目标与干扰物特征高度相似导致在线分类器失效的极端场景，通过深度特征分析实现精准目标识别与稳定跟踪。测试结果表明，相较于传统跟踪算法，基于细微特征的长期目标跟踪模型在长期跟踪场景中展现出更高效精准的目标识别与持续跟踪能力。

关键词： 视觉SLAM   图像处理   环境感知   路径规划   自主导航  

摘要： 随着人工智能和计算机视觉技术的快速发展，视觉感知成为实现自动驾驶的关键技术之一。视觉感知的重要性在于它能够提供实时环境信息，使智能系统能够做出准确决策。因此，本文提出并设计了基于视觉同时定位与建图(SLAM)技术的智能小车系统，通过整合先进的视觉SLAM算法，实现高效的环境感知与自主导航。该系统的硬件架构包括摄像头用于实时环境捕捉、处理单元负责数据分析与决策制定，以及运动控制模块实现小车的精确移动；软件方面则采用实时图像处理与地图构建技术，确保系统能够动态更新环境信息并优化路径规划。实验结果表明，所设计的智能小车具备良好的定位精度且能很好的实现路径规划能力。

关键词： 信号处理   图像处理   人工智能   生物识别  

摘要： 阐述一种基于手掌关键点识别的身份认证与控制方法。通过采集用户手掌视频帧，利用预训练的关键点检测模型提取手掌特征点坐标，并基于特征点筛选起始帧图像。随后，将起始帧输入到预训练的手掌识别模型完成身份认证。实验结果表明，身份认证且手势分类准确率为97.10%。

关键词： 雾天场景   图像去雾   YOLOv7   实时目标检测  

摘要： 雾天场景下，拍摄的图像模糊、细节信息缺失，目标与背景难以区分。针对现有深度学习目标检测算法易出现漏检、误检、识别速度慢等问题，提出一种基于YOLOv7的雾天实时检测算法。以YOLOv7为基线，在其前端设计包含AOD去雾子网络和雾天图像生成子网络的循环去雾双子网络。轻量化的AOD去雾子网络占用很少的计算资源，有效克服雾天对图像造成的负面影响，增强模型的特征提取能力；雾图像生成子网络在模型训练阶段协助提升AOD子网络的去雾性能，并在测试时不参与计算，显著减少推理时间。改进的图像重建损失函数引入模糊图像信息，并将整体网络统一训练有效地结合去雾和检测任务。将CityScapes数据集合成得到两个不同雾浓度的雾天图像数据集，在两个数据集上的实验结果表明，该方法的平均精确度分别为65.2%、64.2%,检测速度FPS为42.4,模型精度在所有对比方法中最优且能实现实时检测；最后将训练好的各模型在RTTS数据集上进验证，所设计的模型泛化能力超过其他方法。