关键词： 智慧交通   高速公路   车型识别   深度学习   图像处理  

摘要： 对于高速公路车辆的检测与识别任务，针对传统方法在处理复杂场景时的局限性，提出了基于改进ViT(Vision Transformer)模型的车型识别方法。首先，将卷积神经网络（Convolutional Neural Networks,CNN）与ViT网络结合，以增强局部信息捕捉能力，减少位置嵌入依赖；其次，采用ViT-Lite思想优化模型结构，减小了Transformer编码器的层数、自注意力机制中头的数量以及前馈神经网络隐藏层神经元的数量，提升计算效率；最后，针对类别不平衡问题，设计改进损失函数，增强模型对少数类别车型的识别能力。在BIT-Vehicle数据集上的实验结果表明，改进后的ViT模型在高速公路车型识别任务中展现出更高的准确率和鲁棒性，有效提升了复杂场景下的车型识别性能。

关键词： 目标跟踪   相似外观与非线性运动   斑马鱼   云边协同   斑马鱼三维轨迹重建系  

摘要： 目标跟踪作为计算机视觉领域的核心研究方向之一,在近年来取得了巨大突破,特别是随着目标检测精度的提高,在目标跟踪领域出现了越来越多基于检测的跟踪模型。然而当前主流算法大多基于人体外观特征的重识别与线性运动假设构建,在面对目标外观相似、非线性运动以及高密度群体交互等复杂场景时存在显著性能局限,严重制约了其在生物行为分析、体育赛事竞技分析等需求场景的应用。 斑马鱼与人类有87%的基因相似性,是世界上非常重要且流行的模式生物,其运动轨迹的精准获取在神经系统疾病研究和新型精神药物开发方面具有巨大的应用价值。然而由于斑马鱼的运动呈非线性、外观的相似性和易群居的社会行为,很难通过传统单视角检测跟踪方法或者现有的三维场景重建技术,来实现准确跟踪多条斑马鱼的3D轨迹,斑马鱼轨迹跟踪的算法模型具有很大的改进空间。因此本研究旨在针对目标跟踪任务中,部分目标具有相似外观与非线性运动的场景,以此来开展算法研究,对斑马鱼这一典型代表进行具体算法创新应用并利用云边协同架构完成3D轨迹跟踪系统落地。 本文通过算法创新与系统工程化设计,旨在解决相似外观、非线性运动和密集场景(群居行为)下多目标跟踪领域内出现的难题,同时为斑马鱼行为分析等典型应用场景提供了高精度、低延迟的智能跟踪解决方案,主要研究内容包括:(1)复杂场景下基于检测的多目标跟踪算法优化:针对传统卡尔曼滤波线性运动模型在斑马鱼非线性运动场景下的预测偏差与外观依赖问题,参考OC-SORT算法,在跟踪算法中引入ORU、OCM和OCR改进了基于检测的卡尔曼滤波跟踪算法,该算法在斑马鱼密集场景下的MOTA可达95.8%,多次发生遮挡或者交叉游动时的MOTA可达99.5%,提高了跟踪的准确性,实现了斑马鱼的鲁棒跟踪;(2)基于扩散(Diffusion)模型的斑马鱼跟踪方法:将扩散概率模型引入斑马鱼跟踪领域,提出一种适用于斑马鱼的“检测-跟踪”算法框架Diff MOT,在斑马鱼复杂运动序列预测任务中展现出显著优势,为生物群体运动建模提供了新范式;(3)云边协同的三维轨迹重建系统:针对当前斑马鱼轨迹跟踪研究中存在的局限性、边缘设备算力受限与三维重建高算力需求矛盾,设计了一种云边协同的斑马鱼检测跟踪与三维轨迹重建系统。在边缘端基于RK3588-S芯片部署YOLOv5s+OC-SORT跟踪算法,在分辨率为2704×1520的视频流处理中,实现单帧端到端推理延迟77ms(约合13 FPS),实现2D轨迹的实时跟踪;在云服务器部署多视角二维轨迹关联的三维轨迹重建算法,实现三维轨迹重建。

关键词： 深度学习   目标检测   目标跟踪   注意力机制  

摘要： 基于深度学习的车辆目标检测与跟踪技术在智能交通和自动驾驶领域具有重要的研究价值与广阔的应用前景。随着城市化进程的加快和交通系统的日益复杂,对高效、精准的车辆检测与跟踪技术的需求愈发迫切。传统方法往往依赖手工设计特征,难以适应复杂场景的变化,而深度学习方法凭借其强大的特征提取与学习能力,为解决这一问题提供了全新的技术途径。本文以改进YOLOv8模型和DeepSORT算法为核心,研究了车辆目标检测与跟踪方法,旨在提高检测精度和跟踪鲁棒性,为智能交通系统提供更加高效的技术支持。 首先,本文对深度学习的理论基础及其在目标检测与跟踪领域的研究现状进行了综述。分析了单阶段和双阶段目标检测算法的优缺点,阐述了检测后跟踪算法与联合检测跟踪算法的特点及其在实际应用中的适用场景。在此基础上,为解决当前算法在复杂交通场景中面临的目标遮挡、姿态变化和多目标混淆等问题,本文提出了一种基于改进YOLOv8模型的车辆目标检测方法。通过引入AKConv卷积模块,改进了模型在特征提取过程中的表达能力,从而提升了对目标细节的捕获精度;设计了C2f＿MLCA结构,优化了网络的特征融合方式,增强了模型对多尺度目标的检测能力;提出了Shape-Io U损失函数,克服了传统Io U损失函数对目标形状差异敏感性不足的问题,从而进一步提高了检测精度。 在改进模型的基础上,本文搭建了符合实验需求的车辆目标检测数据集,并对模型进行了训练与优化。实验结果表明,改进后的YOLOv8模型在检测精度和计算效率上均优于原始模型及其他主流目标检测算法,与原始YOLOv8模型相比,精度、召回率、平均精度均值(m AP@0.5)分别提高了1、3.5、1.1个百分点,浮点运算次数(GFLo Ps)下降4.9个百分点。尤其是在复杂场景下表现出更强的鲁棒性和适应性。此外,通过对比实验和消融实验,验证了各改进模块对模型性能提升的贡献,进一步证明了改进方法的有效性。 针对车辆目标跟踪任务,本文以DeepSORT算法为研究对象,对其核心模块进行了优化与改进。通过对卡尔曼滤波器的状态建模、状态转移方程和观测方程进行分析,结合匈牙利算法的目标匹配原理,改进了DeepSORT算法在目标跟踪过程中的鲁棒性和精度。同时,本文将改进的YOLOv8模型与DeepSORT算法相结合,提出了一种联合检测与跟踪的方法,利用改进的检测结果为跟踪算法提供更精准的输入,从而显著提高了跟踪的整体性能。实验表明,该方法与原YOLOv8+DeepSORT模型相比,多目标跟踪准确度和精确度分别提升了2.4%和2.6%,且ID切换次数减少了10.4%。不仅在目标跟踪精度上取得显著提升,还能够有效降低目标丢失率和误匹配率。

关键词： 深度学习   YOLOv8   StrongSORT   注意力机制   GIoU匹配  

摘要： 在人工智能与机器人技术的推动下,无人机技术蓬勃发展,产业规模持续扩大,然而无人机在带来便利的同时也引发了航空秩序扰乱、隐私侵犯等问题,因此,有效的低空无人机检测与追踪技术对于无人机反制工作具有现实意义。尽管深度学习在目标检测与追踪领域得到显著发展,但在非合作无人机监控场景中仍面临复杂背景干扰、小目标检测精度低及目标尺度适应性差等挑战。本文对此,以YOLOv8目标检测算法和Strong SORT追踪算法为基础展开研究,旨在提升无人机目标的检测追踪性能,完成的主要工作如下: 针对复杂背景干扰、小目标检测等问题,提出了一种改进YOLOv8n的目标检测模型,该模型首先对特征提取模块进行改进,引入ECA注意力机制来有效提取空间特征,通过自适应地调整各通道的权重,强化有用特征的表达,减弱了背景噪声的影响,从而提高对目标的检测精度,特别是在复杂场景下的目标检测效果;其次在特征融合模块中扩展C2f结构,加强上下文特征信息的联系,达到增强不同层级特征融合的目的,使目标检测算法能够有效的捕捉不同尺度的特征信息;最后对模型的多尺度结构进行优化,通过添加小目标检测头,使模型能够更精细地捕捉小目标的局部特征,提高对小目标特征的辨识度。实验结果表明,本文改进的YOLOv8目标检测算法相较于原YOLOv8算法m AP.5提升了2.02%,取得了良好的检测效果。 对于无人机目标追踪任务,使用改进后的YOLOv8算法作为目标检测器,在结合Strong SORT目标追踪算法的基础上,针对目标遮挡等问题,对Strong SORT算法中的匹配策略进行了优化,使用GIoU替换原有的IoU匹配,并在原有匹配基础上增加二次匹配,有效增强了算法在目标遮挡情况中的处理能力,确保了目标追踪的稳定性和连续性。

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。

关键词： 手部姿态估计   注意力机制   图像处理   Transformer  

摘要： 遮挡问题通常导致三维手部姿态估计精度较低，故提出一种抗遮挡的三维手部姿态估计网络。将原始图像输入到特征映射模块中，通过特征金字塔网络对图像的空间和通道信息进行处理，得到手和物体的特征映射。将两个特征映射输入到特征交互模块中，通过设计不同层次之间的连接方式，利用交互式自注意力机制对特征图进行处理，充分利用图像的细节和整体信息。将处理后的特征输入到回归器模块中，得到最终的三维网格模型。选用HO3D数据集进行实验，结果表明，与其他方法相比，本方法得分更高，误差更小。