关键词： 目标跟踪   核相关滤波器   卡尔曼滤波器   遮挡  

摘要： 针对遮挡情况目标跟踪经常产生漂移的问题,提出一种基于核相关滤波和卡尔曼滤波的目标跟踪算法。算法使用核相关滤波响应的峰值旁瓣比,判断遮挡。无遮挡时,以核相关滤波器为主跟踪器,获取目标位置,并修正卡尔曼滤波器;有遮挡时,将卡尔曼滤波器设置为主跟踪器,估计目标位置,保持核相关滤波模型。实验从跟踪速度、精度、成功率等角度与其它算法比较,结果表明该算法在遮挡情况下,有效改善跟踪效果,具有很强的鲁棒性。

关键词： 合成孔径雷达图像   舰船目标检测   YOLOv7  

摘要： 针对合成孔径雷达(SAR)图像在舰船检测过程中因其环境复杂、舰船尺寸多样而导致检测精度低的问题,提出了一种轻量级的Cross Stage Ghostnetv2(CSG)模块替换YOLOv7网络中的ELAN模块和ELAN-W模块,减少网络的参数数量和计算成本;在颈部网络中引入ConvNeXt模块,加强图片的特征提取能力以提高小目标的检测能力;最后采用K-means++聚类自动生成锚框,提高算法的识别精度。在SSDD数据集(SAR Ship Detection Dataset)上的实验结果显示,该算法的平均精度均值mAP@0.5较YOLOv7提升4%,模型参数Params下降10.9%,计算量GFLOPs减少63.7%,在提高精确度的情况下大幅度降低了模型复杂度。实验结果证明了该算法在舰船目标检测上的有效性。

关键词： 频控阵   MIMO   图信号处理   图傅里叶变换   动目标检测   三维联合估计  

摘要： 在复杂信号背景下,频控阵MIMO雷达受到杂波和噪声源的干扰,这极大地降低了其对微弱目标的检测性能。为了应对这一挑战,文中提出一种基于图信号处理的频控阵MIMO动目标检测方法。首先,利用MTI/MTD技术消除多普勒频移项的相位变化;然后构建了FDA-MIMO下的图信号模型,并利用回波信号的图傅里叶变换形式建立谱峰搜索响应函数;最终实现对动目标多普勒-距离-角度参数三维联合估计。仿真结果验证了所提方法在复杂信号环境下相较于经典MUSIC算法能够更准确地估计目标的参数信息,有效提升了微弱目标的检测性能。

关键词： RGBT目标跟踪   Transformer   交叉注意力  

摘要： 论文针对传统基于卷积神经网络目标跟踪无法有效利用上下文信息融合多模态注意力的问题,提出基于双分支交叉自注意力机制的RGBT(RGB-Thermal,红外可见光联合)目标跟踪方法。所提模型引入基于双分支Transformer模块分别编码红外及可见光目标,在双分支并行编码基础上利用交叉注意力机制将两个分支的注意力进行对齐,从而提高了目标跟踪的准确性和稳定性。通过三个数据集的大量实验可验证所提方法的优越性。

关键词： 图像识别技术   计算机视觉   电力系统运维   故障诊断  

摘要： 图像识别技术在电力系统运维中有关键作用,能使电力系统运维由人工转向智能,借助计算机视觉算法和深度学习模式,实现对电力系统设备和线路的自动化检测、故障诊断与远程控制。文章介绍了图像识别技术的原理和关键技术,对实际应用场景及应用实例展开分析,旨在提升电力系统运维效率和质量,保证电力系统运行的稳定性和可靠性。

关键词： 计算机视觉   农作物病虫害   智能辨识系统   图像处理  

摘要： 本研究聚焦于基于计算机视觉的农作物病虫害智能辨识系统。首先概述了计算机视觉技术的学科综合性、技术构成及其在农作物病虫害检测中的独特优势。随后,详细探讨了该系统在图像采集与处理、图像分割与特征提取以及识别模型与算法等关键环节的应用。最后,通过系统架构、功能及实现的阐述,展示了该智能辨识系统的实际应用价值。研究结果表明,该系统在农作物病虫害检测中具有较高的识别准确率和实时性,未来有望为农业生产提供更加智能化、高效化的技术支持。

关键词： YOLOv8   深度学习   点云定位   目标检测   Kinect传感器  

摘要： 针对小目标检测任务中目标尺寸小,易受背景环境干扰,检测算法精度低等问题,本文提出了一种基于改进YOLOv8的小目标检测算法。该改进算法引入加权双向特征金字塔网络(Bidirectional Feature Pyramid Network,BiFPN)并融合P2小目标检测层,修改输出检测头位置,在训练模型时融合更多有效语义信息和位置信息,提高小目标检测的准确性。在Backbone中添加CBAM(Convolutional Block Attention Module)注意力机制模块,在Neck中添加自制G_SA注意力机制模块,结合通道注意力和空间注意力提高卷积神经网络的性能。采用Azure Kinect DK传感器,通过点云数据生成小目标的三维坐标信息,实现了目标的实时精准定位。实验结果表明,相较于原始YOLOv8n模型,该改进算法模型在VisDrone 2019数据集上的精准度(Precision)、召回率(Recall)和mAP50分别提高8%、9.2%和12%,验证了该算法的有效性。定位实验表明,该系统对于距离相机2.4米以内的小目标具有较高的定位精度,误差在0.4%以内。

关键词： 草莓病害   目标检测   YOLOv7-Tiny   多元感受野   EResPANet多尺度融合网络  

摘要： 针对草莓病害图像在检测时存在背景复杂、目标小导致难以被精确检测的问题,本文提出一种基于多元感受野与EResPANet的草莓病害检测算法.首先,该算法使用多元感受野特征标定网络替换YOLOv7-Tiny的主干网络,抑制冗余信息,解决主干网络特征逐层提取时小目标病害丢失问题;最后,通过设计EResPANet网络,避免网络在深层特征提取时,目标信息被复杂背景干扰而导致无法检测的问题.实验结果表明,本文提出的方法相比YOLOv7-Tiny算法在mAP上提高了10.3%,证明本文算法可实现草莓各类病害的准确检测.

关键词： 学生行为识别   YOLOv8   目标检测   动态通道注意力卷积   多尺度上下文融合  

摘要： 针对智慧教室中存在前后排学生图像尺寸差异较大、后排小目标检测困难的问题,提出了一种改进YOLOv8的学生课堂行为识别方法:DMS-YOLOv8。结合CA注意力机制与深度卷积,提出了动态通道注意力卷积(DCAConv),能够动态调整通道权重,更灵敏地捕获关键特征;引入多尺度卷积注意力(MSCA),通过元素乘法最大化挖掘多尺度卷积特征,增强对空间细节的关注;同时,构建了多尺度上下文融合(LCD)模块,通过卷积和自注意力机制,增强多尺度特征融合。增加小目标检测层,通过较大尺寸特征图的局部特征提取,显著提高模型对后排学生行为的识别能力。与基线模型YOLOv8n相比,该方法在自制学生行为数据集上的mAP50值提高了4.6个百分点,在VOC数据集上提高了18.7个百分点。该方法在学生课堂行为识别方面表现突出,可显著提高智慧教室学生课堂行为识别的准确率。

关键词： 目标跟踪   红外与可见光融合   注意力机制   特征融合  

摘要： 目标跟踪通常在面对亮度变化、背景混杂和快速移动等复杂场景时难以取得良好的跟踪性能,为此提出了一种结合自适应特征融合和注意力机制的红外与可见光融合的目标跟踪算法。利用红外光与可见光的互补性优势,增强传统目标跟踪算法在复杂场景下的跟踪性能。首先在前3层卷积层中结合注意力机制对红外光与可见光模态特征进行特征筛选,同时针对不同通道特征进行动态权重分配实现自适应特征融合,然后将不同通道特征进行融合,并经过实例分类模块实现对目标的跟踪。在GTOT数据集和RGBT234数据集上的实验结果表明,该算法的精度和成功率分别到达了90.4%和73.2%、79.6%和56.1%,优于目前主流算法。