关键词： 自适应平滑区间   卡尔曼滤波算法   概率数据互联算法   状态估计  

摘要： 针对概率数据互联(Probability data association, PDA)算法在杂波环境下计算复杂度高的问题,设计了一种基于PDA算法的数据关联方法,当波门内量测点数量大于阈值时,采用PDA算法更新目标状态;当波门内量测点数量小于等于阈值时,采用最近邻思想筛选目标量测点,接着利用卡尔曼滤波(Kalman filter, KF)算法实现杂波环境下的快速滤波更新。在此基础上,通过自适应区间平滑方法,动态修正平滑区间,实现整体状态估计的反向平滑,从而提升算法的精度。不同杂波环境下的实验结果表明,本文方法相较于PDA算法与KF-PDA算法,在保证跟踪效率的同时,有效提升了系统状态的估计精度,验证了该方法的鲁棒性和有效性。

关键词： 塔机位姿估计   偏振成像   光照变化   视角变化  

摘要： 实时获取塔机位姿有助于预防塔机安全事故。将相机固定在塔机顶端,可通过求取相机位姿来估计塔机位姿。但在光照变化及较大背景噪声等复杂环境下,基于特征点的相机位姿估计存在精度较低的问题。为此,本文提出了一种基于偏振图像处理的塔机位姿估计方法。首先使用张正友标定法求得相机内参,然后设计靶标并使用连接点法实现图像去畸变,最后通过偏振图像估计塔机位姿。实验结果证明,拍摄距离为30 m时,在不同光照和视角下的偏振图像比光强图像精度更高,位姿平均误差为1.34%。

关键词： synthetic aperture radar(SAR)   small ship detection   deep learning   attention module   YOLO   dual‑domain joint  

摘要： Ship detection via spaceborne synthetic aperture radar(SAR)has become a research ***,existing small ship detection methods based on the radar signal domain and SAR image features cannot obtain highly accurate results because of the obvious coherent speckle noise at sea and strong reflection interference from near‑shore *** resolve the above problems,this study proposes a dual‑domain joint dense multiple small ship target detection method for spaceborne SAR image that simultaneously detects objects in the image and frequency *** method uses an attention mechanism module and algorithm structure adjustments to improve the small ship target feature mining *** the frequency‑based image generation,extreme signal strength values are detected in the azimuth and range directions,with the results of the two complementing each other to realize dual‑domain joint small ship target *** comprehensive qualitative and quantitative evaluation results show that the proposed method can attain a final precision rate of 92.25%and achieve accurate results for SAR ship detection in open‑sea,coastal,and port area *** test results for the self‑built SAR small‑ship dataset demonstrate the effectiveness and universality of the method.

关键词： 目标跟踪   孪生网络   轮廓分割   多点回归   尺度估计  

摘要： 准确的尺度估计是目标跟踪中的挑战,现有方法存在计算复杂度高、超参数多和精度低的问题。针对以上问题,提出一个利用目标轮廓进行跟踪的孪生分割网络,它由孪生子网络和轮廓分割网络2部分组成,其优点是不需要根据先验知识预先定义锚框,减少了超参数。在此基础上,实现一种基于多点回归的目标轮廓跟踪方法,该方法用区域分类与轮廓回归对目标跟踪建模,能够同时得到正矩形框、旋转矩形框和轮廓等多种目标状态。该方法的跟踪过程是:首先,利用孪生子网络估计目标的初始矩形框;其次,通过轮廓分割网络将初始矩形框的特征向量变形为目标轮廓;最后,根据目标轮廓拟合最终矩形框。在OTB-2015(Success=70%)、VOT-2020(EAO=52%)、TrackingNet(AUC=78.9%)和LaSOT(AUC=64.1%)数据集上的实验结果表明:与现有先进的目标跟踪方法相比,本文提出的跟踪方法具有较优的跟踪性能。

关键词： YOLOv8   遥感图像   渐近特征融合   多尺度残差网络   金字塔池化   小目标检测层  

摘要： 针对遥感图像目标尺度多样、小目标密集、背景环境复杂导致检测时出现的漏检及误检等问题,提出一种基于YOLOv8n改进的多尺度渐近特征融合的遥感目标检测算法。首先,构建结合多尺度残差网络的Res2C2f模块,更有效地捕捉不同尺度的特征;其次,设计跨级连接金字塔池化模块来改善原金字塔池化模块特征提取能力不足的问题;然后,重构多尺度的渐近特征融合网络来实现多尺度信息的交换,充分利用不同层级的特征来增强特征融合效果;最后,增加160×160尺寸的小目标检测层,提升模型在密集场景下对小目标的检测效果。在DOTA数据集中,相比基线模型,改进算法的精确率、召回率、平均精度均值分别提升了4.8、4.0和3.7个百分点。

关键词： 点扩散函数   PSF   图像复原   运动视频   模糊车牌   图像处理  

摘要： 车辆是刑事案件中常使用的工具,车牌识别是涉案车辆认定的重要依据之一,因此对运动模糊造成的车牌图像退化的复原是刑事技术工作的重要研究方向。文中提出一种基于频率域点扩散函数参数估计的车牌图像复原算法,运用二维离散傅里叶变换、Radon变换以及Wiener滤波算法解决监控视频视角下运动模糊车牌的复原问题。通过预处理对运动模糊图像进行灰度化和降噪,并对图像添加Hanning窗,进行二维离散傅里叶变换和对数运算,计算图像的功率频谱图,运用Radon变换对频谱图进行检测,估算模糊方向;对频谱图进行最小值计算,求模糊长度,完成对点扩散函数两个参数的估算。通过Wiener滤波算法进行图像反卷积,实现图像复原。针对传统频谱图估算模糊参数易受中央亮线干扰的问题,在离散傅里叶变换之前添加窗函数进行优化。使用道路监控拍摄的模糊图像,进行点扩散函数参数估计实验,同时与目前未加窗的方法进行对比,验证所提算法的复原效果。实验结果证明,所提算法在复原车牌图像语义信息方面具有优势,能为刑事图像技术领域模糊车牌复原提供方法补充。

关键词： 目标检测   YOLOv5   卷积网络   注意力机制   CIoU损失函数  

摘要： 针对作业人员违规穿戴手套情况检测问题,首先,采用高精度YOLOv5作为目标检测框架,并对其骨干网络进行了修改以提高其小目标识别能力;然后,在其强大的小目标识别能力的基础上增加了注意力机制(视觉Transformer)模块以提高整体识别精度,同时替换了原始的损失函数以进一步提高识别速度和准确率;最后,在采集的作业人员施工数据集上进行训练验证。实验结果表明,与原网络相比所提出的优化YOLOv5结构在验证数据集上的准确率显著提高,平均识别准确率能达到95%。

关键词： 处理   计算机   图形图像   应用  

摘要： 从学科分类角度来分析,计算机图形学与计算机图形图像处理分别属于不同方向的研究学科,无论是从概念上还是从所涉及的理论、知识领域来比较,两者有着截然不同的特点及研究方向。在信息技术突飞猛进发展的时代,计算机图形学与图形图像处理技术在应用领域的界限越来越模糊,两者相互补充、相辅相成的趋势愈发明显。该文以计算机图形学以及图形图像处理技术为基础,对二者的概念以及联系与区别进行了具体的分析,并且对这两门学科技术在实际生活中的应用进行了多个维度的研究。

关键词： 图像扩增   肺结节检测   医学图像处理   生成对抗网络   目标检测  

摘要： 随着计算机视觉和医学影像处理技术的发展,肺结节图像的分析和处理变得越来越重要。然而,由于肺结节图像的样本和质量有限,如何增加图像样本并保持其真实性成为一个关键问题。为增加肺结节图像样本数量并保持其真实性,研究提出了一种基于生成对抗网络的肺结节图像扩增方法,并使用均方误差(MSE)、结构相似度(SSIM)和峰值信噪比(PSNR)3个参数作为指标,对3种不同的生成对抗网络结构的应用效果进行对比,发现StyleGAN模型最佳。为验证所提出方法的有效性,设计了一个基于YOLO-V5的优化模型结构。实验结果表明,经过扩增的图像在肺结节检测任务中的精度从78.2%提高到了86.3%。

关键词： 视觉识别   样本统计   实时识别   聚类算法   回归算法   深度学习   损失函数   自主导航  

摘要： 针对传统的目标检测算法实时性低的问题,本文基于深度学习YOLOv5s算法进行路标实时识别的应用研究,实现了视觉导航小车在沙盘上的自主导航。首先,对先验锚盒回归算法进行了优化,通过在回归算法中增加聚类算法的随机校正处理,减小聚类结果与样本统计结果之间的偏差。其次,优化损失函数,自适应地平衡前景和背景的损失,避免前景损失被淹没在背景损失中。最后,结果表明YOLOv5s算法视觉识别程序对路标的平均识别率达到了94.5%,能够提升视觉导航小车自主导航的精确度。