关键词： 图像处理   水下图像增强   Transformer   生成对抗网络   多项损失函数  

摘要： 由于水下环境的多样性和光在水中受到的散射及选择性吸收作用,采集到的水下图像通常会产生严重的质量退化问题,如颜色偏差、清晰度低和亮度低等,为解决以上问题,本文提出了一种基于Transformer和生成对抗网络的水下图像增强算法。以生成对抗网络为基础架构,结合编码解码结构、基于空间自注意力机制的全局特征建模Transformer模块和通道级多尺度特征融合Transformer模块构建了TGAN(generative adversarial network with transformer)网络增强模型,重点关注水下图像衰减更严重的颜色通道和空间区域,有效增强了图像细节并解决了颜色偏差问题。此外,设计了一种结合RGB和LAB颜色空间的多项损失函数,约束网络增强模型的对抗训练。实验结果表明,与CLAHE(contrast limited adaptive histogram equalization)、UDCP(underwater dark channel prior)、UWCNN(underwater based on convolutional neural network)、FUnIE-GAN(fast underwater image enhancement for improved visual perception)等典型水下图像增强算法相比,所提算法增强后的水下图像在清晰度、细节纹理和色彩表现等方面都有所提升,客观评价指标如峰值信噪比、结构相似性和水下图像质量度量的平均值分别提升了5.8%、1.8%和3.6%,有效地提升了水下图像的视觉感知效果。

关键词： YOLOv8s   C2f-BE模块   小目标   多尺度  

摘要： 针对目前无人机航拍图中的小目标检测性能低、漏检、遮挡以及模型参数量大的问题,提出了AEM-YOLOv8s算法。在C2f模块中结合AKConv(alterable kernel convolution)和EMA(efficient multi-scale attention)的优点,设计了C2f-BE模块,更好地提高了算法处理特征的能力,同时也降低了模型参数量。引入小目标检测层和BiFPN结构,通过跨尺度连接方式和加权特征融合,能够保留更多的浅层特征,并且减少了算法参数量。设计多尺度特征融合分支,将浅层特征与深层特征进行融合,减少了遮挡情况下的漏检,提高了算法对小目标检测性能。在VisDrone2019公开数据集上的实验表明,AEM-YOLOv8s算法的mAP50为50.1%,mAP50:95为31.1%,较YOLOv8s分别提高了10.8和7.6个百分点,同时参数量较YOLOv8s降低了32.2%。

关键词： 车流量检测   FairMOT算法   智能交通   红绿灯管理   计算机视觉  

摘要： 随着私家车数量的不断增加,大城市普遍面临日益严重的交通拥堵问题.传统的交通信号灯控制系统难以应对复杂的交通需求,因此研发一种智能车流量检测系统尤为重要.文中利用基于计算机视觉技术的智能红绿灯管理系统来精确感知车流量,实现智能调度,缓解交通拥堵.FairMOT模型采用高效且稳健的多目标识别跟踪技术,能有效跟踪和识别道路上的车辆,为红绿灯控制系统的决策提供数据支持.

关键词： 三维目标检测   误检漏检   Transformer   注意力机制   残差结构  

摘要： 为解决路侧点云目标检测任务中复杂场景下远距离车辆漏检率高和道路行人误检率高等问题,提出一种改进PointPillars和Transformer的路侧两阶段三维目标检测算法。算法的第一阶段基于PointPillars设计:骨干网络嵌入SimAM注意力机制学习相似性信息以关注重要特征,替换下采样部分的普通卷积块为带有残差结构的卷积块以提高网络性能。第二阶段基于Transformer对第一阶段生成的候选框进行细化:编码器构建原始点特征进行编码,解码器利用通道加权增强通道信息,提高检测精度,改善误检问题。为验证所提算法的性能,在路侧数据集DAIR-V2X-I和车端数据集KITTI上进行实验。实验结果表明,所提算法相比其他公开算法检测准确率明显提升,同基准算法PointPillars相比,在moderate检测难度下,对DAIR-V2X-I数据集中汽车、行人、骑行者的检测准确率分别提高1.9百分点、10.5百分点、2.11百分点,KITTI数据集中汽车、行人、骑行者的检测准确率分别提高2.34百分点、4.73百分点、8.17百分点。

关键词： 目标检测   目标跟踪算法   数据处理   YOLO模型   车流量   实时采集  

摘要： 对于一座现代化城市来说,合理的交通规划是一个城市高效运行的关键,作为交通规划的关键信息的城市车流量信息,原本需要人工进行识别、获取、验证的提取方式,随着计算机视觉技术的蓬勃发展弊端尽显,终将退出历史的舞台。为了提高城市车流量信息的准确性和及时性,利用现有的计算机技术设计一种基于YOLO模型的车流量实时采集系统。该系统基于YOLO视觉检测模型,采用DeepSORT算法对检测到的目标车辆进行跟踪识别、判断车辆的运行状态、实现当前路段的车流量统计、对已记录车流量信息进行可视化展示以及数据输出等。该系统可以有效地代替传统消耗人力的死板工作,实现自动化数据收集以及道路交通情况的快速监测。该系统操作简单,交互性强,为城市的交通管理和交通规划提供准确实时的信息数据。

关键词： CT图像   图像处理   砂土颗粒   细观特性   孔隙分布  

摘要： 针对砂土各向异性的量化这一关键问题,以CT技术获取的砂土试样断面图为研究对象,首先采用直方图均衡化和中值滤波法对图像预处理,降低图像噪声、提高分辨率,其次运用数学形态学改进的OTSU算法有效克服了非均匀光照的影响,最后利用分水岭算法优化重叠颗粒之间的粘连情况,从而提高分割性能,得到清晰的二值化图像。结合环形测试线法对砂土颗粒内部孔隙的定向分布进行量化,并判断其宏观力学性。结果表明,经该方法处理后,提取的细观参数准确,能够清晰地展现砂土颗粒细观组构。验证了砂土颗粒确有典型的各向异性,证明了该方法的有效性和可靠性。

关键词： 图像处理   缺陷检测   多尺度特征   支持向量机   多层感知机  

摘要： 针对印刷电路板裸板缺陷视觉检测,提出一种基于多尺度特征的缺陷识别算法。首先,为减弱噪声干扰同时保留足够的边缘细节信息,对图像进行高斯滤波和对比度增强,使用多层感知机网络分割出感兴趣区域,然后使用Harris角点检测算法完成图像配准,提取缺陷区域,最后通过分析缺陷区域的多尺度信息,构建高斯金字塔图像,提取多尺度方向投影特征,多尺度共生矩阵特征和多尺度边缘特征,获得缺陷特征描述子,根据特征描述子构建特征向量,利用支持向量机分类器完成对缺陷的分类识别。实验结果表明:所提算法能够对印刷电路板裸板存在的漏孔、鼠咬、断路、短路、毛刺缺陷位置进行定位并精确识别缺陷类型,在小样本场景下识别准确率接近99%。

关键词： 无人机   小目标检测   YOLOv8   感受野   特征提取  

摘要： 针对无人机航拍图像中小目标实例多、目标之间存在遮挡的现象,容易造成漏检、误检等问题,提出一种新的基于非跨步动态多头结构的小目标检测算法(Non-strided Dynamic Multihead YOLOv8,NDM-YOLOv8)。首先,设计了SConv模块,融合了非跨步卷积,尽可能地保留输入数据的判别特征信息,以降低小目标特征的细粒度信息的丢失;其次,设计了C2f-LSK模块,通过采用选择机制对空间特征进行有效加权,动态地调整感受野,灵活地捕捉不同尺度的特征和上下文信息,提高模型对小目标的关注度;最后,设计了P2小目标检测头,并和高层网络进行残差连接,减少小目标特征丢失,以强化算法对小目标特征的提取能力。实验表明,NDM-YOLOv8有效提高了对无人机图像中小目标检测精度。在公开数据集VisDrone2019上,NDM-YOLOv8比YOLOv8n在mAP_(0.5)提高了5.3百分点,mAP_(0.5:0.95)上提高了3.3百分点,对比其他模型,也取得了较优的检测效果,能够有效地完成无人机航拍图像中小目标检测任务。

关键词： 清洁度   图像处理   图像相似度   自适应阈值分割  

摘要： 目前二便智能护理机器人只在排便结束后对坐便器斗进行一次恒定大水量冲洗,没有相应清洁度检测环节,导致残存的粪便容易造成空气异味和细菌滋生,甚至疾病传染。针对于此,提出基于视觉的两种清洁度检测方法:一种是通过计算污点像素占比来进行坐便器清洁度的评估,另一种是采用图像模板匹配的方法来检测坐便器的清洁度。试验结果表明:采取自适应阈值分割来计算污点像素占比时能够很好地克服背景阴影的影响,且能够准确地区分出不同污染程度的照片组,达到便斗清洁度检测的目的。

关键词： 雷达目标检测   海杂波   对数正态纹理   距离相关性  

摘要： 传统的海杂波背景雷达目标自适应检测器通常假设杂波纹理在距离维上独立同分布,忽略了纹理在距离维的相关性信息。为了改善纹理距离相关海杂波环境下雷达目标自适应检测性能,该文首先将复合高斯海杂波的纹理分量建模为对数正态随机变量,然后基于广义似然比检验提出一种基于均匀对数正态纹理的广义似然比检测器。提出的雷达目标自适应检测器融合了纹理的先验分布知识及其在距离维的相关性信息。仿真和所用实测数据表明,与已有检测方法相比,所提方法对纹理距离相关海杂波背景下的雷达目标具有更高的检测概率。