关键词： 跌倒检测   YOLOv5   双摄像头   人体关键点检测   图像处理  

摘要： 为解决传统跌倒检测算法受光线影响,不能对独居老人实施昼夜持续检测,且误检率、漏检率高等问题,提出一种结合轻量化YOLOv5和双摄像头的跌倒检测系统。首先,通过改进YOLOv5对室内老人进行检测,定位老人在室内的位置;其次,使用单目摄像头和红外热摄像头昼夜交替地对室内老人进行跌倒检测。通过目标定位与跌倒检测系统,在大幅度提高老人跌倒检测准确率的同时,提高了模型轻量化程度,降低了跌倒误检率、漏检率。结果表明,改进后的老人跌倒检测模型漏检率低至1.6%、误检率仅1.2%,具有较好的准确性和实时性。可见该系统可以有效实现昼夜检测,解决传统算法的局限性。

关键词： 目标跟踪算法   TLD算法   KCF算法  

摘要： 运动目标跟踪是计算机视觉领域的热点,被广泛运用于交通道路、商场监控、农业生产、国防军事等诸多场景。在复杂的环境下保持运动目标追踪的稳定性与精准度是目前研究人员关注的焦点。在运动目标跟踪算法中,TLD算法性能良好,可进行长时间的有效跟踪,但存在一定局限性,如易被干扰、处理速度较慢等。本文提出一种优化的运动目标跟踪算法,主要是借助KCF算法优化TLD算法的跟踪器,而后结合原有的检测器与学习模块生成新算法。经实验证实,与原来的算法相比,优化后的运动目标跟踪算法在跟踪精确度、处理速度方面均有了明显的提升。

关键词： 目标跟踪   多模态   可见光-深度特征融合  

摘要： 近年来,随着深度学习的不断发展,已有许多基于深度学习的RGB目标跟踪算法被提出且取得较为显著的性能提升,但纯粹依靠可见光进行跟踪的算法在光照变化、背景干扰、严重遮挡等复杂场景下仍难以实现鲁棒跟踪.为应对高难度场景下的挑战,实现高效鲁棒的目标跟踪,多模态目标跟踪应运而生.以RGB-D目标跟踪算法为主,详细列举了当前可见光-深度的多模态目标跟踪算法,对各类算法的优缺点进行分析和比较;并介绍了主流的RGB-D目标跟踪数据集,挑战赛及其评价指标;最后总结了RGB-D目标跟踪技术的发展趋势和挑战,并展望其未来的发展方向:特殊场景RGB-D数据集建设、全新RGB-D目标跟踪评估范式和有效模态融合的RGB-D模型范式.

关键词： 探地雷达   目标检测   关键点检测   YOLOv8  

摘要： 探地雷达(GPR)是一种可用于地下目标识别的无损检测方法。针对现有方法存在不同尺度目标兼容性差、复杂图像识别难度大、无法精确定位等问题,该文提出一种基于双重YOLO姿态模型(YOLOv8-pose)的GPR双曲线关键点检测与目标定位,命名为双重YOLO关键点定位方法(DYKL),用于地下目标的检测与精确定位。所提模型架构包含两个阶段:首先,第1阶段是基于YOLOv8-pose模型的GPR目标检测,以确定候选目标的位置;接着,第1阶段的部分训练权重被共享并传递到第2阶段,后者以此为基础继续训练YOLOv8-pose网络,用于候选目标特征的关键点检测及获取,从而实现地下目标的自动化定位。通过与级联区域卷积网络(Cascade R-CNN)、更快的区域卷积网络(Faster R-CNN)、实时对象检测模型(RTMDet)以及“你只看一次”人脸模型(YOLOv7-face)4种先进的深度模型进行比较,所提模型平均识别准确率达到98.8%,性能优于其他模型。结果表明所提DYKL模型具有较高的识别准确性与较强的鲁棒性,可以为地下目标的精确定位提供参考。

关键词： 三维目标检测   点云   PointRCNN   小目标检测   自注意力机制  

摘要： 针对当前在点云三维(3D)目标检测算法中存在的误检率高、远处物体与较小物体检测效果差等问题,在PointRCNN算法的基础上提出一种改进的三维目标检测算法。在训练阶段的数据预处理方面,利用空间自相关算法对数据进行降维处理,有效去除无关点与噪声点,优化了网络对关键目标的特征提取和识别能力。提出了MGSA-PointNet模块对PointRCNN的点云编码网络进行改进,引入了流形自注意力以更精确地提取原始点云中空间结构信息,同时还融入了分组自注意力机制,旨在减少自注意力权重编码层的参数数量,从而提高了模型的效率和泛化能力,增强了网络的特征提取能力。本文改进算法与基准网络PointRCNN在KITTI数据集上的对比表明,对汽车与骑行者目标在困难场景下3D检测的精度提升了2.10百分点和2.14百分点,对行人的3D检测精度提升了5.21百分点,证明了本文算法的有效性。

关键词： 无监督   滑动窗口   隐空间   模板匹配   目标跟踪  

摘要： 目标跟踪是计算机视觉领域的一个基础研究问题。随着跟踪技术的发展,现存的跟踪器主要存在两个挑战,即依赖于大量的数据标注信息和跟踪漂移,它们严重限制了跟踪器性能的提升。为了应对以上挑战,提出了无监督目标跟踪和隐空间匹配的方法。首先,通过可校正光流方法在前景中生成图像对;其次,利用生成的图像对从头开始训练孪生跟踪器;最后,使用隐空间匹配的方法,解决了跟踪器在目标形变较大、遮挡、出视野和漂移等情况下跟丢的问题。实验结果表明,算法UHOT的性能在多个数据集上有显著提升,在困难场景下展现出了较强的鲁棒性。与最新的无监督算法SiamDF相比,UHOT在VOT数据集上取得了8%的增益,与最新的监督孪生跟踪器相当。

关键词： 天空地一体化   视觉目标跟踪   随机有限集   多模型   多模态信息融合  

摘要： 为实现全时全域“泛在连接”,构建天空地一体化网络已成为国家重大需求,而基于天空地一体化网络下跨域协同系统进行多目标跟踪是其中一个重要的发展方向,其在军民用领域都极具应用价值。本文详细阐述了天空地一体化网络背景下多目标跟踪方法研究进展。首先,介绍了天空地一体化跨域协同多目标跟踪的研究背景与意义。其次,从基于视觉的多目标跟踪、基于模型的多目标跟踪和基于多模态融合的多目标跟踪三个方面概述了当前的代表性研究方法:在基于视觉的多目标跟踪算法方面,介绍了单摄像头和多摄像头融合的多目标跟踪方法;对于基于模型的多目标跟踪,先介绍了单传感器多目标跟踪方法,以及在多种复杂场景下的改进,然后介绍了多传感器融合方法;在基于多模态信息融合的目标跟踪方面,在对多传感器时空配准方法和有代表性的多模态信息融合方法介绍的基础上,概括了基于多模态融合的多目标跟踪算法。最后探讨了当前存在的问题和未来发展方向:无论基于视觉的还是基于模型的多目标跟踪方法都有不少问题有待解决,特别是两种方法的结合值得深入研究;在面临复杂干扰时,基于多传感器信息融合的多目标跟踪由于能实现信息的互补,成为未来的主流发展方向;此外,跨域协同系统,由于能利用更多的资源和信息,其多目标跟踪问题研究极具价值,不过其中通信安全问题和多目标跟踪模型轻量化问题值得探讨。本文对从事目标跟踪及空天地一体化协同控制相关理论与技术研究的科研工作者具有重要参考价值。

关键词： 铁路隧道   隧道洞口定位   试验研究   图像拼接   多通道   线阵相机   图像处理  

摘要： 隧道洞口图像拼接是隧道衬砌裂缝检测系统的重要环节。以一条线路的多通道隧道洞口图像为基准,提出了一种多通道线阵相机隧道洞口图像拼接方法,该方法基于图像处理分为粗定位、精识别两阶段,可有效提高隧道图像拼接的效率和准确性。试验结果表明,该方法在隧道洞口图像拼接试验中的成功率为82%,能有效降低人工成本,提高工作效率,从而促进隧道衬砌裂缝检测的自动化发展。

关键词： 无人机   异源传感器   目标检测系统   图像融合   检测算法  

摘要： 随着无人机技术的快速发展,目标检测已成为无人机应用中的一项关键技术。传统的目标检测方法往往依赖单一类型传感器获取的信息,然而异源传感器的数据互补性可以显著提升目标检测的准确性和鲁棒性。本文设计了异源传感器图像融合的目标检测系统,该系统主要由电源系统、数据采集系统、通信系统、数据处理系统以及目标检测系统等组成。针对该系统设计了软件架构以及目标检测算法流程,在此基础上,设计了相应的实验并对参数进行了合理设置,实验结果表明,本研究提出的方法能有效提升目标检测的准确率和鲁棒性。

关键词： 小目标检测   YOLOv8   特征提取   注意力机制   损失函数  

摘要： 针对目标检测算法在无人机视角下的小目标检测中精度低的问题,通过改进YOLOv8的骨干网络与注意力机制,提出一种新的小目标检测算法SFM-YOLOv8。首先,在骨干网络中融入适用于低分辨率图像和小物体检测的空间深度转换卷积(SPDConv),保留判别特征信息,提高小目标感知能力;其次,插入多分支注意力MCA(Multiple Coordinate Attention),加强提取特征层的空间信息和通道信息;然后,构建一种融合FasterNet和高效多尺度注意力(EMA)的卷积FE-C2f,减少计算量并使模型轻量化;此外,引入边界框相似度比较度量(MPDIoU)损失函数提高算法精度;最后,在YOLOv8n的网络结构中增加小目标检测层,保留更多关于小目标的位置信息和细节特征。实验结果表明,与YOLOv8n相比,SFM-YOLOv8算法在VisDrone-DET2019数据集上的平均精度均值mAP_(50)提高了4.37个百分点,参数量减少了5.98%;与相关主流模型对比,精度也有所提升,且满足实时检测需求。