关键词： 光谱特性分析   低空飞行障碍物   目标检测   高光谱   深度学习  

摘要： 低空经济涵盖通用航空、无人机物流、精准农业等多个领域,其发展依赖于对低空空域的有效管理和资源优化。然而,低空飞行环境中,直升机驾驶员人眼观测能力有限且传统传感器技术难以有效检测复杂环境中的静态与动态障碍物,导致安全风险较高。针对以上问题,本文通过分析不同障碍物材料在可见光、近红外等多个光谱波段下的反射和吸收特性,获取障碍物目标与背景的差异特征,进而创新研究目标检测与识别算法,实现对复杂背景中障碍物目标的精准识别,具体研究工作如下: (1)低空飞行障碍物目标与背景统计及目标材料光谱特性研究 针对实际低空飞行场景的复杂性和障碍物分布特点,本文主要研究分析了电线、飞行器(无人机)、树木、建筑物等四类障碍物目标的材料光谱特性。采用傅里叶红外光谱仪和高光谱分析技术分别对四类目标进行成分鉴定与光谱特征提取。实验结果表明,由于不同材料所含的化学基团和化学键各不相同,它们在光谱上的表现也具有显著差异,这为障碍物目标与背景环境的区分与提取提供了理论依据。 (2)低空飞行障碍物目标可见光识别算法研究 本文采集并制作了低空飞行障碍物目标的可见光波段图像数据集。通过对现有主流可见光目标识别算法的性能特征进行综合分析,选择在实时性与计算效率方面表现突出的YOLO系列算法作为识别框架。针对细长形状的障碍物目标易被误判为背景的问题,引入特征注意力机制,以增强对边缘轮廓与形状特征的关注,从而提高识别的准确性。实验结果表明,引入注意力机制后总体精度较现有YOLOv10算法提升了0.6%。 (3)基于自适应双边滤波的高光谱目标检测算法研究 本文采集并制作了低空飞行障碍物目标的高光谱图像数据集。首先,采用SG平滑滤波和乘法散射校正对高光谱图像数据进行预处理。之后,对高光谱数据进行波段选择以减少计算复杂度。最后,针对匹配滤波算法在高光谱目标检测中存在的噪声敏感、边缘模糊和阈值选择困难等问题,提出了基于自适应双边滤波的高光谱目标检测算法(BO-MF),通过开运算、双边滤波和自适应阈值处理提升检测准确性和鲁棒性。在6组数据集上进行实验,结果表明BO-MF算法在复杂背景条件下具有更优的目标识别性能。 (4)基于深度学习的低空飞行障碍物目标高光谱识别算法研究 为解决传统方法无法捕获长程依赖问题,本章提出一种基于状态空间建模与多尺度特征融合网络(ESMFF-Net)。该模型通过基于线性状态空间模型的建模方法,有效解决了传统方法无法捕获长程依赖的问题。同时设计多尺度卷积模块以增强不同尺度目标的识别能力。结合通道注意力机制(SE模块),模型能够自适应调整特征通道的权重,更加聚焦于高光谱图像中的关键区域。 此外,针对高光谱图像空间信息和光谱信息丢失问题,提出一种基于多尺度注意力空谱信息重构网络(MARCN)。该模型引入多尺度注意力机制以强化特征表达能力,并通过光谱信息和空间信息重构模块重建关键特征,有效缓解信息丢失问题。最后,结合交叉熵损失、Center loss与特征空间约束损失函数,提升模型的判别性和泛化能力。此外,重构模块设计成可拆卸模块,可以在训练阶段后移除,降低了测试过程的计算复杂度。实验结果表明,在数据集1-7中,两种方法识别精度分别达到了99.99%和100%、98.51%和99.30%、99.69%和99.99%、99.50%和99.71%、100%和100%、99.68%和99.77%、99.40%和99.90%,其中MARCN模型表现最优。

关键词： 分布式声波传感   移动目标识别   多策略去噪   特征提取   单类分类模型  

摘要： 分布式声波传感(Distributed Acoustic Sensing,DAS)系统具备长距离覆盖、抗电磁干扰和高灵敏度等优势,广泛应用于轨道交通与油气管道的目标检测与定位。然而,在实际应用中,信号常受到各种干扰的影响。列车信号受到低频高幅值噪声、“拖尾”干扰及背景噪声的影响;清管器信号则面临工况波动大和负样本难以界定等问题。这些问题严重制约了目标识别的精度和系统的稳定性。 本文围绕DAS系统中的目标识别问题,针对列车和清管器两类典型移动目标,构建涵盖信号处理、特征提取、模型构建与实验验证的完整体系。针对列车,提出结合去噪策略与支持向量机(Support Vector Machine,SVM)的识别方法。针对清管器,提出融合小波去噪与基于长短时记忆网络(Long Short-Term Memory,LSTM)的单类识别模型(One-Class LSTM)的方法。论文主要工作如下: (1)针对列车信号,构建多阶段去噪策略。通过鲸鱼优化算法(Whale Optimiza-tion Algorithm,WOA)优化变分模态分解(Variational Mode Decomposition,VMD),联合多帧功率谱密度自适应去噪和优化谱减法,分阶段抑制不同类型干扰,去噪后信噪比提高了11.77?d B。 (2)提出列车信号的特征提取与分类方法。提取时频统计特征,并基于VMD频段能量编码构建融合特征向量。使用灰狼优化算法(Grey Wolf Optimizer,GWO)优化SVM模型。实测数据表明,GWO-SVM多项指标优于逻辑回归(Logistic Re-gression,LR)与决策树(Decision Tree,DT)模型,识别准确率达97.2%,单样本处理时间为0.1256?ms。列车实时定位实验中,在50 km/h以下和50-100 km/h区间测试,去噪策略将定位误差均方根从26.37 m和31.67 m降至15.09 m和19.11 m。 (3)针对清管器识别,提出小波阈值去噪(Wavelet Threshold Denoising,WTD)与One-Class LSTM的识别框架。用WTD提升信号质量,构建融合时频、冲击和小波特征的多维特征向量,训练仅依赖正样本的One-Class LSTM模型,使用网格搜索优化。实测数据表明,该方法多项指标优于支持向量数据描述(Support Vector Data Description,SVDD)与孤立森林(Isolation Forest,IF),识别准确率达93.52%,单样本处理时间为7.4 ms。清管器定位实验中,主测数据无帧级漏判,识别错误率为5.3%;三组随机信号测试中,无法识别帧为0.8%,识别错误率均低于5%。

关键词： 光电对抗   红外弱小目标   目标检测   目标识别   知识图谱  

摘要： 随着现代战争形态向信息化、智能化加速发展,光电对抗技术已逐渐成为战场态势感知与攻防效能的核心支撑。侦察预警、精确制导、认知对抗等关键作战环节的效能发挥,高度依赖精确目标检测、高精度目标识别与智能化对抗行动决策构成的技术闭环。然而,受目标特性、环境干扰及对抗复杂性等因素制约,现有技术体系在实战应用中仍存在显著瓶颈,亟需通过理论创新与方法突破,构建适配复杂环境、聚焦弱小目标、决策推理等关键环节的技术方案,有效解决当前光电对抗技术在实战应用中的瓶颈问题。因此,本文开展基于红外弱小目标的检测与识别技术研究,解决预警系统对弱小目标的精准检测识别困难问题,为指挥决策提供准确目标信息;同时开发基于多类型目标数据的对抗行动决策技术,提升作战装备的实际效能,对推动智能化对抗体系发展具有重要意义。 本文围绕现代光电对抗体系中"感知-判断-决策"流程技术需求,针对复杂环境下三个关键环节的核心挑战开展系统性研究:在目标感知环节,红外弱小目标检测面临复杂背景干扰下的精度不足问题;在目标判断环节,基于目标辐射特性的识别精度受类内多样性干扰严重;在智能决策环节,军事对抗场景中的智能决策存在动态适应性局限。通过融合时空特征分析、深度学习优化特征工程、知识图谱推理机制创新等技术手段,分别攻克各环节技术瓶颈,形成面向多环节协同需求的分立式技术方案。研究基于模块化研究范式,在图像处理、人工智能、知识图谱等交叉领域实现理论创新与方法改进,通过多维度实验验证技术方案的工程适用性。本文的主要研究内容围绕以下三个方面展开: 第一,在红外目标检测领域,为解决复杂场景中红外弱小运动目标由于尺寸小、形状特征不足、背景干扰较多而导致的检测虚警率高、精度低的问题,提出一种时空结合的弱小运动目标检测方法。在空间维度,基于对小目标空间分布特征进行分析,提出多尺度分层对比度特征(MLCF)滤波方法,增强弱小目标与背景的分离度,减少相似干扰;在时间维度,针对复杂背景下存在大量与小目标具有相似空间特性的干扰,单纯空间特征提取易产生较多虚警的情况,基于运动目标于背景存在明显不一致运动的特点,提出基于时空上下文跟踪(STC)的差异运动提取算法,借助时空背景特征跟踪图像序列,定位运动目标,弥补空间检测短板。该方法在背景抑制、虚警控制及检测精度上表现优异,为红外目标检测提供新思路。 第二、在红外目标识别领域,红外弱小目标因形状特征匮乏,识别难度较大。为此,本文引入运动、辐射等多模态特征,将其识别任务转化为时间序列分类任务,从多维度深入挖掘目标特性,弥补单一形状特征的不足。同时,针对采集目标红外辐射特性数据因目标姿态、观察角度等因素导致采集样本间存在类内多样性,进而干扰识别精度的问题,提出基于卷积神经网络与特征袋算法相结合的时间序列分类算法,以基于特征工程的特征袋算法框架,借助深度学习对各模块进行优化,实现自适应特征提取、量化及匹配统计。该模型可有效应对类内多样性难题,提升红外弱小目标识别的准确性与效率。 第三、针对目标意图推理与智能决策领域的知识图谱推理难题,通过问题特征解构与算法适配性分析,创新性提出基于马尔可夫过程的知识图谱推理框架。利用Protégé构建本体并借助Neo4j图数据库实现知识存储,搭建支持动态推理的知识基础设施。针对战场环境的多态性与不确定性,设计多状态联合推理的改进型马尔可夫链算法,通过重构状态空间强化复杂态势建模;建立负面状态分离保留机制,化解负面信息转移问题;提出层级化独立传播的节点信息管理架构,保障推理信息的独立性与稳定性。改进传统MRR评价指标,提出加权惩罚性平均倒数排名(WP-MRR)作为补充,以实现更符合现实逻辑的推荐算法性能评估。该模型在目标意图推理与智能决策领域展现出可行性与更优性能,为军事领域智能决策系统工程化应用提供有力理论支撑与技术方案。 综上所述,本文对复杂环境下光电对抗体系中目标感知、特征分析、智能决策等关键环节做了深入研究,并对各环节存在的难题,包括目标检测精度低、目标识别受类内多样性干扰、目标意图推理与智能决策存在局限等,进行充分分析,提出了时空结合的弱小运动目标检测方法、基于卷积神经网络与特征袋算法相结合的时间序列分类算法、基于马尔可夫过程的知识图谱推理框架等创新性技术方案。经多维度实验验证,所提各算法在应对各自难题方面具有显著优势,为构建适应未来智能化战争需求的光电对抗技术体系提供了坚实的理论与技术支撑。

关键词： YOLOv8   目标检测   区块链   属性基加密   道路损害  

摘要： 随着城市化建设的快速推进,道路交通基础设施的维护与管理变得日益重要。道路损害检测与审批不仅关系到交通安全,还直接影响城市基础设施的运行效率、公共出行体验以及政府资源的合理配置。然而,传统的道路巡检方式依赖人工检测,不仅检测效率低,易受主观因素影响,导致误报或漏报,而且审批流程复杂,容易造成审批延误、数据不透明、管理混乱等情况。此外,传统系统往往采用中心化数据存储方式,存在数据篡改、信息泄露、存储成本高等隐患。因此,如何提高检测准确率、优化审批流程、确保数据安全性和可追溯性,是当前道路处置面临的重要挑战。 针对上述问题,本文提出并实现了一种基于深度学习、区块链、去中心化存储及密码学技术的道路损害检测与审批系统,旨在构建高效、智能、安全、透明的道路损害管理方案。本文的具体研究工作如下: (1)在道路损害检测方面,本文对YOLOv8(You Only Look Once Version 8)目标检测算法进行了优化,提出了RDD-YOLO(Road Damage Detection Algorithm Based on Improved You Only Look Once Version 8),该算法通过优化特征提取网络、引入注意力机制等方法,提高了模型的精度,减少了模型中的冗余信息。在RDD2022数据集上进行的实验结果显示,本文提出的RDD-YOLO模型在验证集上的mAP50和mAP50-95分别达到了62.5%和36.4%,相较YOLOv8x提高了2.5%和5.2%,在测试集上的F1分数达到了69.6%,相较YOLOv8x提高了2.8%。所提出的方法可以对道路损害进行准确定位和检测,节省人力和物力,为道路损伤评估和养护提供参考。 (2)在数据存储与安全性方面,本文结合区块链及星际文件系统(Inter Planetary File System,简称IFPS),实现了高效、分布式的数据管理方案。具体而言,系统采用IPFS存储大规模道路图像、修复报告和验收报告文件,极大降低了中心化存储的成本和数据丢失风险。同时,所有存储在IPFS上的数据均生成唯一的哈希索引,与存储在MySQL中的道路信息相关联。此外,系统采用密文策略属性基加密(Ciphertext-Policy Attribute-Based Encryption,简称CP-ABE)对用户身份信息、检测数据中的字段进行了加密存储,仅授权用户可解密访问,进一步提升了系统的数据安全性和隐私保护能力。 (3)在审批流程优化方面,本文基于区块链智能合约设计了一套自动化、透明的审批流程,包括巡检人员上报、检测算法识别、政府工作人员审核、养护公司修复、监查公司验收等关键环节。所有审批事件均通过智能合约执行,并存入区块链,确保流程透明,避免人为篡改和延误。此外,在审批出现异常(如操作违规、审批超时)的情况下,系统可以利用区块链存证信息进行溯源,精准定位问题来源,并迅速采取相应措施进行处理。

摘要： 计算机技术是当代社会发展的核心关键技术，对生产生活均产生一定影响，有利于提高生产效率、丰富人类生活。计算机图形设计色彩语言的应用是为了满足摄影作品发展对色彩语言提出的新要求。计算机图像处理是以计算机技术为基础的图像处理新方式，计算机技术的力量促使摄影作品的方法、视觉体验、色彩语言得到创新与升级，使图形设计更符合现代社会的发展要求。现代摄影作品中，更加注重融入色彩语言，不仅是计算机技术给予了技术环境，还是现代社会审美需求的变化。

关键词： 钢丝绳   张力检测   机器视觉   图像处理   振动位移  

摘要： 作为矿井提升系统的关键承载部件,实时监测钢丝绳的张力对于确保矿井作业安全非常重要。然而,传统的矿井绳索张力监测技术存在许多不足。首先是经济成本高,依赖高精度传感器或复杂设备初期投资和维护成本高;其次,安装的高复杂性的实施需要升级系统结构和耗时的维护;最后,检测系统的信号易受电磁干扰,采样精度和传输可靠性低。随着深度学习和计算机视觉技术的飞速发展,基于图像的非接触式监控方法为解决这一问题提供了新的可能。 本研究通过建立矿井提升系统中钢丝绳横向振动模型,分析了激振源和干扰因素对钢丝绳张力动态特性的影响,揭示了系统固有频率、激振参数与张力变化的关系规律。在此基础上,本文介绍了一种流行的超分辨率模型SRGAN。通过引入视觉变换器(Vi T)来增强全局特征提取能力,以及深度分离卷积和倒数残差模块来优化网络架构,成功实现了振动位移的高分辨率成像和钢丝绳张力的精确估计。此外,针对矿山环境中全天候钢丝绳监测的要求,本研究采用非接触式视觉传感技术,并开发配套的图像处理算法,通过图像增强、自适应分割和滤波处理,有效提高钢丝绳边缘特征的对比度。实验数据表明,该方案能够实现全天候高精度的振动位移采集。在信号分析方面,引入了变分模式分解(VMD)和同步压缩小波变换(SWT)的时频分析方法,对弦绳的振动位移信号进行了分析,该方法能够有效地从复杂的振动信号中提取钢丝绳的固有频率,并计算其动态张力。试验结果表明,该方法能够准确地反映钢丝绳张力的变化,为矿井提升系统的安全运行提供了重要的技术支持。最后,将机器视觉和振动分析技术相结合,开发了一套完整的矿井钢丝绳张力监测系统。建立了视觉识别数据采集方法,搭建了弦绳振动测试平台,并对张力监测系统的布局设计进行了优化。构建了包括图像处理、频域分析、接口交互和安全预警功能在内的软件架构。结果表明,与传统方法相比,该系统显著提高了测量精度和工程实用性,为矿井提升设备的安全监测提供了创新的解决方案。 综上,本研究通过图像处理、时频分析、理论分析和系统开发,成功实现了矿井提升系统中钢丝绳的动态张力监测。研究结果不仅为矿井提升系统的安全性提供了保障,而且为其他领域的钢丝绳张力监测提供了新的技术途径。 图[37]表[10]参[92]

关键词： 赣南脐橙   目标检测   近色背景   Grid R-CNN   图像识别  

摘要： 为实现对大型果园中果实生长状况的有效监测，针对赣南脐橙生长过程中在近色背景下受光线影响难以识别的问题，本文提出了一种基于改进网格点回归机制的检测算法Grid R-CNN ScN (Similar-color network)。该算法在Grid R-CNN网格点回归机制基础上引入恒等循环神经网络(Identity recurrent neural network, IRNN)模块增加上下文信息，以迭代优化目标识别结果；在RMSProp优化策略中加入CosineAnnealingLR调度器，克服梯度爆炸导致的特征学习不充分问题；采用非极大值抑制(Non-maximum suppression, Soft-NMS)算法提高近色背景下赣南脐橙果实的召回率；结合跨图像采样(Cross-image sampling, CIS)策略增强模型在近色背景下的泛化能力。试验结果表明，Grid R-CNN ScN与Faster R-CNN、Grid R-CNN相比，召回率分别提高4.73、3.67个百分点，mAP@50提高11.78、9.27个百分点，模型文件存储占用量减少4.29 MB和5.07 MB,显存占用量仅为原模型的60%;与DETR、Swin Transformer相比，召回率分别提高4.19、3.84个百分点，mAP@50和mAP@50-95分别提高8.05、6.22个百分点和8.60、4.97个百分点，模型文件存储占用量减少9.67 MB和2.83 MB,显存占用量仅为原模型的44%;与YOLO v8和YOLO v11相比，召回率分别提高2.15、3.09个百分点，mAP@50和mAP@50-95分别提高5.38、6.25个百分点和2.55、3.07个百分点；跨图像采样策略显著增强了模型泛化能力。试验结果表明，本文提出的改进方法能够显著提高赣南脐橙在近色背景下的识别精度，可为大型果园中果实生长状况监测提供支持。

关键词： 半监督学习   一致性正则化   伪标签学习   图像分类   图像分割  

摘要： 近年来,随着数据规模的快速增长,深度学习在计算机视觉等领域取得了突破性的进展。基于监督学习的深度神经网络已在图像分类、分割等任务中展现出接近人类水平的性能。然而,这种训练方式在实际应用中依旧面临着严峻的挑战:模型性能高度依赖于大规模高质量标注数据,而数据标注过程往往需要耗费巨大的时间和经济成本。这一局限性严重制约了深度学习在现实场景中的推广应用。如何利用少量标注数据或未标注数据有效训练神经网络,已成为当前深度学习领域亟待解决的关键问题。半监督学习通过协同利用少量标注数据和大量未标注数据进行模型训练,显著降低了对标注数据的依赖,因而成为计算机视觉领域的研究热点。为了推动该领域发展,本文聚焦计算机视觉中的图像分类和分割任务,系统性地研究了基于半监督学习的深度神经网络训练方法,重点探索如何通过一致性正则化与伪标签的协同优化来提升模型在有限标注数据下的性能。本文的主要研究内容与贡献如下: (1)针对现有方法存在的未标注数据利用效率低、类别不平衡和分布偏移等问题,本文提出CT-Match半监督学习方法。该方法基于自适应阈值和类别转移校正机制,通过神经网络为每个类别动态估计最优高斯阈值函数。此外,通过引入类别转移矩阵校正伪标签分布,有效地提升了半监督图像分类性能。 (2)针对现有分割方法因严格阈值筛选导致的未标注数据利用率低、边缘区域和少数类别识别困难的问题,本文提出Mask Match半监督分割框架。该框架通过动态区域不确定性估计提高伪标签使用效率,显著促进了模型在边缘过渡区域和少数类别的特征学习能力,并采用物体-背景对比学习策略,加大了物体与背景间的特征空间差距,显著改善了过渡区域的分割效果。 (3)针对单模型训练存在的伪标签质量不稳定、未能充分利用先验知识等问题,本文提出多模型加权一致性伪标签方法Fix Teacher。该方法通过教师-学生协同训练机制,结合阈值筛选和一致性正则化策略,有效提升了模型鲁棒性和准确性。 实验结果表明,本文提出的方法在多个基准数据集上均表现出优越性能,验证了所提半监督框架的有效性和鲁棒性。这些工作为半监督学习领域的发展提供了新的研究思路和技术方案。

关键词： 深度学习   目标检测   茶叶品质   Cascade-RCNN   YOLOv5   系统设计  

摘要： 当前扁形绿茶的炒制主要依赖单机操作,但随着人工成本的上升以及规模化生产过程中单机炒制控制的复杂性,导致大规模茶叶机械化生产的产品质量不稳定。因此,本研究旨在探讨在茶叶机械流水线中引入深度学习的可行性,在提高茶叶产量和品质的同时,实现生产线各环节的自动调节,减少人工干预成本。过去茶叶品质检测的方法,主要有人工感官法和理化检测法。人工感官受限于个人经验差异,难以应用于规模化的茶叶检测。理化检测法虽然能够提供较为客观的检测结果,但其检测速度较慢且有损检测的特点,也难以满足市场化需求。随着信息化的发展,深度学习技术已应用于茶叶研究领域,但现有研究主要集中于嫩芽检测和茶叶病害识别,针对生产线中的茶叶炒制环节的茶叶品质检测研究较少。因此,本研究引入了深度学习方法,对茶叶品质检测任务展开研究,旨在运用有别于传统茶叶品质检测方法,在茶叶炒制流程提高茶叶品质。 为了满足茶叶品质检测中对实时性和准确性的需求,本文构建了一种基于YOLOv5的茶叶品质识别算法YOLOv5-tea,并应用于名优绿茶的品质检测任务以提升在实际环境下的表现。首先,引入了基于膨胀卷积的TDC网络结构,有效提高提高神经网络神经元的感受野,同时减少了在提取茶叶微小特征过程中的信息损失。其次将传统的C3网络结构与Swin Transformer进行融合,提出了全新的C3STR模块,增强了模型对茶叶图像中全局信息的捕捉能力。最后在网络的颈部部分,加入了混合注意力机制,增强模型关注不同等级茶叶的细微差异的能力。结果表明,改进后的YOLOv5在保证检测速度的同时,拥有更强的检测精度。 为了通过引入茶叶品质识别算法到茶叶生产的茶机流水线的控制环节,以提高流水线上的茶叶生产品质。本文提出一种基于深度学习的茶叶机械流水线参数调优方法,并对其整体流程进行描述。首先,将YOLO算法应用于传统茶机流水线,通过图像识别技术,根据茶叶的外形、颜色等特征,构建茶叶品质评级机制。其次,采用前后端协同的方式,实现从摄像头采集图像、服务器进行图像识别到茶机参数自动调节的完整闭环流程。最后,分析各工艺环节的图像识别特征,并评估深度学习引入后对茶机茶叶产出质量的提升比例。 基于测试参数调优方法需求,采用前后端结合的方式开发了茶叶品质参数识别平台。通过系统的需求分析,确定了系统的功能和性能需求的设计指标。前端运用Vue框架开发平台,并且使用Element-UI组件库实现可视化交互界面。后端采用SpringBoot与Flask框架完成数据管理、特征计算及工艺参数优化等功能。经过黑盒测试进行性能和功能验证,系统各项指标均达设计要求,能够满足用户的使用需求,目前已上线供某企业使用,具有良好的实际应用价值。

关键词： 多目标跟踪   目标检测   板坯库   Transformer   卡尔曼滤波  

摘要： 钢铁工业作为现代工业体系的基础产业,连铸工艺是钢铁制造的核心工艺环节。在冶金流程中,钢水经连铸结晶器成型为板坯后,需赋予唯一标识并经由辊道系统输送至热轧工序或中间仓储。本研究聚焦连铸生产场景中的板坯实时检测与跟踪问题,将深度学习技术引入工业现场,构建智能化板坯跟踪系统。 基于检测框架的多目标跟踪技术是当前研究热点,但在工业场景中面临多重挑战:目标遮挡与外观相似导致特征辨识困难,检测与重识别任务的表征冲突,时空信息利用效率低下,以及目标上下文线索提取不足等问题。为突破这些技术瓶颈,本研究提出两个解决方案:首先构建融合多特征以及动态卡尔曼滤波的跟踪方法,随后提出了基于Transformer双解码器的跟踪方法。本研究的核心创新体现在三个方面:构建融合运动特征的复合度量TIo U,设计减少误差积累的动态卡尔曼滤波器,以及创建轨迹-检测跟踪交互式查询模块。具体研究工作包括: 针对传统方法中目标邻域位置信息丢失、检测-重识别任务冲突及预测误差累积等问题,提出多特征融合以及动态卡尔曼滤波的跟踪算法。技术实现路径包括:(1)通过特征解耦网络架构实现特征提取;(2)引入TIo U度量,融合运动信息与空间邻域信息;(3)设计参数动态调整的卡尔曼滤波器,建立误差消除机制。经实验验证该方法在跟踪精度指标上优于主流跟踪算法。 针对时空关联信息利用不足问题,创新性提出双解码的Transformer跟踪框架。技术方案包含:(1)构建编码-双解码架构实现全局特征建模;(2)通过并行解码实现检测框与轨迹预测框的时空对齐;(3)设计轨迹查询更新机制融合历史轨迹信息;(4)采用动态卡尔曼预测补偿遮挡目标的定位偏差。实验结果表明该方法在轨迹完整度和跟踪准确度指标上提升显著,有效实现了时空信息的协同利用。