关键词： 目标跟踪   特征融合   结构张量   高光谱视频  

摘要： 为解决现有高光谱视频跟踪算法在光照变化情况下跟踪效果不佳的问题，该文提出一种基于深度谱三元级联特征的高光谱目标跟踪算法。首先，设置阈值，利用目标局部光谱曲线将目标与背景分割，利用波段匹配获得目标光谱曲线，计算结构张量获得目标光谱权重曲线。然后，利用目标光谱曲线与高光谱图像进行光谱角距离操作完成高光谱图像降维，并提取目标深度特征。提取目标图像的尺度不变局部三值模式（Scale Invariant Local Ternary Pattern,SILTP）特征，并分配相应的光谱权重，融入光谱信息，得到谱三元级联（Spectral-Ternary Concatenated,STC）特征。将降维后目标深度特征与STC特征按通道卷积，得到更具判别性和鲁棒性的深度谱三元级联（Deep Spectral-Ternary Concatenated,DSTC）融合特征。最后，将DSTC融合特征送入双相关滤波器（Dual Correlation Filter,DCF）。实验结果表明，与当前的先进算法相比，该文所提出的跟踪算法在光照变化挑战下具有更好的跟踪性能。

关键词： 动态称重   外廓尺寸测量   参数识别   DenseNet   计算机视觉  

摘要： 针对现有研究中缺乏能够综合测量车辆外廓尺寸并精确识别车辆信息的方法，本研究提出了一种创新的车辆尺寸和信息识别方法。首先，通过YOLO V5s网络实现目标车辆的自动识别，并建立了一个包含车辆型号、尺寸、轴数、轴距、悬架和轮胎参数等详细信息的车辆数据库。接着，利用CEDN(Convolutional Encoder-Decoder Network)网络提取出车辆轮廓，并通过膨胀腐蚀算法对轮廓进行优化。为了提高处理速度并减少计算资源需求，将深度可分离卷积技术融合进DenseNet网络。最终，将车辆轮廓图输入至优化后的DenseNet网络，以预测车辆的具体尺寸。实验结果显示，该方法能够在宽度和高度测量上实现±60mm的误差范围，并将长度测量的误差控制在±85mm以内。此外，该方法还能提供车辆的轴数、轴距、悬架和轮胎参数等附加信息。本研究证明，结合图像识别和深度学习技术，能够有效地测量车辆尺寸并识别相关信息，对于提高动态称重系统等应用的准确性具有重要价值。

关键词： 计算机视觉   人机交互   动态手势识别   深度学习网络   手势数据集  

摘要： 动态手势识别是计算机视觉领域较为热门的任务之一，受到了研究者的广泛关注；动态手势识别技术在自动驾驶、虚拟现实和人机交互等诸多领域展现出很高的应用潜力；手势是在虚拟空间中与其他人交换信息、指导机器人在恶劣环境中执行特定任务或与计算机交互的一种直观而理想的方式；调研归纳了一些常用的动态手势数据集，对动态手势数据集的模态、数据量、应用场景进行了总结与分析；从使用方法的网络类别出发，综述了基于视觉的动态手势识别技术研究进展，重点介绍归纳了基于深度学习的方法，对基于卷积神经网络、循环神经网络以及图神经网络的方法进行了整理总结与性能比较；最后对基于视觉的动态手势识别的研究方向进行了展望。

关键词： 目标检测   安全帽   FasterC2f   轻量化   Efficient Multi-Scale Attention   VoVGSCSP  

摘要： 针对基线YOLOv8n检测算法结构较复杂以及现有的安全帽佩戴检测算法参数量和计算量较大，难以在终端部署等问题，提出一种基于FEV-YOLOv8n的轻量化检测模型。设计一种轻量级的FasterC2f模块改进YOLOv8n的骨干网络，实现网络的参数量和计算量的降低；在FasterC2f模块中引入EMA注意力机制，融合空间依赖和位置信息，建立长短期的依赖关系，增强对目标表征的关注，以提高模型检测的精度；使用VoVGSCSP模块改进颈部网络，提高遮挡目标以及小目标的辨识度；实验结果表明，改进YOLOv8n模型map值为92.5%，相较于YOLOv8n算法，模型大小减少20%，计算量降低18.5%，参数量降低15.7%，为安全帽佩戴检测的轻量化研究提供理论参考。

关键词： 自动驾驶   小目标车辆检测   多尺度检测   坐标注意力机制   损失函数  

摘要： 车辆目标检测是自动驾驶的重要环节，YOLOv5s是目前车辆目标检测中最有效的算法之一，但是对小目标车辆存在检测精度较低且容易造成错检、漏检等问题。现提出一种改进的YOLOv5s算法，首先引入C2f结构代替原算法中的C3结构，既获取了更丰富的梯度信息，又提高了推理速度，同时将坐标注意力机制引入到骨干网络中的C2f结构，可捕捉不同特征信息的长距离依赖关系，更精准地定位车辆特征；然后，添加一层浅层检测层，将原算法的三尺度检测变为四尺度检测，加强了对小尺度目标的学习能力；最后，使用添加了交并比加权项的Focal EIOU Loss损失函数突出高质量锚框的贡献度。将改进的YOLOv5s算法在自动驾驶数据集BDD100K上进行测试，实验结果表明与几个YOLO系列算法和两阶段算法Faster-RCNN相比，平均精度均值和召回率分别至少提高了5.2%、4.7%。

关键词： 智能汽车   目标检测   参数融合   Soft Scaled Intersection of Union   YOLO算法  

摘要： 基于深度学习的目标检测方法在智能车载控制器应用时很难同时满足检测精度与速度的要求。因此，提出一种多级参数融合的驾驶场景目标检测方法，实现了检测速度和精度的同步提升。首先，设计出一种多级分支结构用于构建模型，同时，为提高模型的推理速度，引入一种多级参数融合的方法，即将多级结构层等效为单一的卷积-批标准化层，在保证模型泛化能力不变的条件下，大幅度减小模型的参数量。其次，为增加模型的检测精度，提出一种SSIoU(Soft scaledintersectionofunion)边界框损失计算方法以及一种联合半锚框的标签关联算法，提高模型对驾驶场景的适应能力。最后，开展了基于DAIR-V2X-V数据集上的试验验证，结果表明，所提出的多级参数融合模型，相比于目前先进的YOLO(You Only Look Once)算法，检测精度(Mean average precision, mAP)提高了9.89%，推理速度(Frames per second,FPS)提高了51.89%。

关键词： 调制连续波雷达   短时傅里叶变换   多目标   体征检测   数据关联算法  

摘要： 针对毫米波雷达非接触目标体征检测，通过模拟实验对快速运动的多目标场景进行了研究。首先获取目标位置和速度的量测信息，并通过创新的算法获得每个量测距离和角度间的对应关系，再分别用联合概率数据关联算法（JPDA）和最近邻数据关联算法（NNDA）对多目标进行跟踪，之后提取其体征相位信息，使用短时傅里叶变换算法对处理后的体征信号进行频率估计。通过实验可知，对于速度最高可达0.9m/s的运动目标，通过此检测方法可以以较小的误差得到目标的呼吸频率；而由于心跳信号相对微弱，只能在静止状态中检测到。此方法相比其他雷达体征检测方法能以0.035 Hz的均方根误差检测速度最高可达0.9m/s的变速运动目标的呼吸频率，且可同时检测多个目标并不易混淆。

关键词： 计算机视觉   相机标定   灰狼算法   遗传算法   维度学习   重投影误差  

摘要： 为解决传统相机标定中标定精度低、可重复性差、鲁棒性弱等问题，提出了一种基于改进灰狼遗传算法的相机标定优化方法。该方法对灰狼算法中的种群初始化、线性收敛因子及位置更新策略进行了改进，并融入了基于维度学习的搜索策略和改进的选择、交叉、变异算子，以优化相机标定参数。首先，利用MATLAB标定工具箱对标定板图像进行角点提取，基于相机标定原理，建立标定板角点坐标与空间三维点坐标的对应关系，以获取相机内参及畸变系数的初估值，并据此设定待优化参数的寻优范围。接着，以初估值为基础在寻优范围内生成灰狼遗传算法的初始种群。然后，构建平均重投影误差方程，以最小化该误差为目标函数，利用改进的灰狼遗传算法对标定参数进行优化。最后，将该方法与其他优化算法进行实验对比，结果表明，基于改进灰狼遗传算法的相机标定方法在平均重投影误差最小(0.02054pixel)的同时，也展现了最佳的可重复性和鲁棒性。

关键词： 图像处理   缺陷检测   生成对抗网络   柔印标签   随机噪声  

摘要： 为了及时把控柔印标签的生产质量，本文融合transformer设计了一种生成对抗网络，提出了一种柔印标签在线检测方法。为了解决实际生产中缺陷样品稀少、样本分布不均的问题，本文提出了一种新颖的噪声添加方案模拟缺陷样本，仅使用合格的柔印标签样本训练模板生成器。结合跳连接和transformer block设计了一种生成对抗网络，设计了相应的损失函数，以提高生成器对模板的表示能力。最后，本文设计了一种基于自适应阈值的缺陷评估方案实现柔印标签检测。实验结果表明，本文提出的检测方法可以在每个样本38ms的合理检测时间下，达到2.23%平均误检率、0%平均漏检率、0.983 F1-score的检测性能，在本文的数据集上优于现有异常检测深度学习方法。

关键词： 计算机视觉   电力施工安全监测   关键帧   改进支持向量机   集成学习算法  

摘要： 针对传统人体动作识别算法准确率受动作观察角度和身体特征差异影响较大的问题,文中面向电力施工领域开展了基于计算机视觉与智能识别的安全监测技术研究,以提高操作的安全性。该研究在视频图像中选择了特定关键帧将行为数据分割成若干段动作数据,从而降低人体行为识别的难度。同时根据分割后的图像信息,分别创建剪影及光流的直方图来提取图像中人体的形态和运动信息。利用改进的支持向量机算法进行特征融合,并设置多个分类器来创建基于集成学习的动作识别算法。实验结果表明,该方法对于特定动作的平均识别准确率为73.36%,且均方根误差显著低于对照组。