基于机器视觉的闸坝表面位移非接触式监测方法

针对闸坝表面位移常规监测方法劳动密度高、监测频次低,且难以实现长期稳定监测等问题,提出一种融合时空特征的闸坝表面位移非接触式智能监测方法。该方法采用人工靶标作为标志物,以摄像机为采集设备,通过无线传输图像信息,利用加权分布的自适应伽马修正(AGCWD)与边缘感知因子改进的加权引导滤波(WGIF)增强低照度图像的特征表达能力,通过计算机搭载基于贝叶斯框架的时空上下文信息(STC)算法深度挖掘靶标图像上下文时空信息,进一步地,引入曲面拟合获取靶标的亚像素级位移时程信息,实现闸坝水平和垂直双向表面位移的亚像素级非接触式监测。实验室与现场试验结果表明,不同实验场景下位移监测数据与校验数据高度一致,误差小于0.05 mm;相比于图像优化处理方法,基于AGCWD与WGIF的图像优化处理方法的峰值信噪比提升2.70%,信息熵增加4.91%,标准差降低2.63%;相比于目标追踪算法,基于曲面拟合的STC目标追踪算法的现场监测数据较同类目标追踪算法精度提升48%,可为闸坝表面位移监测提供高精度的解决方案。

基于机器学习方法的高光谱遥感图像目标检测研究

针对高光谱遥感图像目标检测的难题,提出基于机器学习的高光谱遥感图像目标检测方法。首先,通过动力演化算法找到满足偏度、峰度最大化的投影方向,将高维图像数据投影至低维子空间,从而提取图像的光谱信息。然后,通过线性判别法将提取的信息转换为直方图形式,再利用自动标记分水岭算法和KNN方法进行目标区域的初分割和分类,以去除非目标光谱像元。测试结果表明,对目标信息进行检测处理后,图像像元整体分类精度与平均分类精度数值区间为[0.97,0.98],信息熵数值仅有0.01,说明该方法具有较高精度,结果可信度较高。

基于锚框的远距离多尺度红外目标跟踪技术

在红外目标跟踪过程中,由于目标距离和视角的变化,红外目标的成像面积通常很小,使得红外图像中缺乏足够的像素信息,无法准确提取目标的特征,增加了目标跟踪的难度。因此,提出基于锚框的远距离多尺度红外目标跟踪技术。利用编码的方式对应追踪框图与真实框图,得到目标框中心坐标值。为保证计算的精准度,通过设定特征融合阈值判定提取信息与真实信息较高的重叠度,并按照锚框的边缘、中心以及顶点坐标对应划分像素网格,根据特征值输出分类输出向量,完成红外目标特征提取。由此采用损失函数给出锚框、目标框、实际框的类别损失以及候选框等不同类别损失函数,按照不同点在网格中的体素值,以编码形式逐一对比候选框和真实框数据,通过迭代实现远距离多尺度红外目标跟踪。实验结果表明,所提方法对远距离多尺度红外目标的识别效果较好,查全率曲线基本保持在0.9以上。说明所提方法具有良好的远距离多尺度红外目标跟踪效果。

逐像素注意力驱动的红外小目标检测网络

红外小目标检测在军事和民用领域获得了广泛应用,但其存在目标尺度小、细节少、复杂背景干扰等问题,现有经典深度学习检测方法往往适用于通用目标检测,对红外小目标适配性较差。针对上述问题,构建了一种新的基于U形注意力块和逐像素注意力块的红外小目标检测网络。设计了U形注意力块,在单层级内通过局部U形子网络提取多尺度特征,并通过逐像素注意力精细化增强小目标特征,丰富多尺度小尺度目标特征表示,提升网络对小尺度目标判别能力;通过稠密融合方式进一步保留小目标信息,缓解不同层特征融合时的语义鸿沟,降低漏检率;将空间与通道2个维度逐像素注意力块应用于融合后的特征图,避免小目标特征被衰减,同时抑制复杂背景干扰。实验结果表明,提出的网络在2个红外小目标数据集NUDT-SIRST与IRSTD-1k上交并比、检测概率、虚警率指标均超过最新基准方法。此外,所提网络在检测精度和效率上也达到较好平衡。

无控制点场景下基于多运动目标的卫星视频稳像算法

为了解决无控制点场景下现有卫星视频稳像算法失效的问题,提出了一种基于多运动目标的卫星视频稳像算法,该算法构建了目标检测、轨迹平滑和范数优化的框架,将多目标卡尔曼滤波、rlowess轨迹平滑与L1-L2范数优化相结合,最终实现卫星视频稳像。利用海上多目标舰船观测数据集开展实验,结果表明基于多运动目标的卫星视频稳像算法在X、Y方向上的稳像误差均不超过0.3个像素,验证了该算法的有效性。本研究填补了无控制点场景下卫星视频稳像的技术空白,具有重要的工程应用价值。

基于递归标记的红外图像弱小点目标自动识别方法

为准确识别红外图像中的弱小点目标,以递归标记算法为核心提出了红外图像弱小点目标自动识别方法。采用平滑滤波器和区域生长分割法,完成待识别红外图像的预处理;应用基于递归的二值图像标记模式,扫描所有的红外图像像素点并定义相应的标记值,形成多个图像连通域;针对每个连通域分别提取几何特征和形心特征,将其应用到稀疏表示分类器和卷积神经网络分类器中,自动生成弱小点目标识别结果。实验结果显示:应用所提方法识别海面红外图像、云层红外图像和纯净天空红外图像的mAP值分别为0.95、0.96与0.91,表明其具有较好的红外图像弱小点目标自动识别效果。

基于遥感图像的不动产地理信息采集方法研究

现有的不动产地理信息采集方法难以精准地划分不动产边界,导致不动产地理信息采集结果误差较大,为此,提出基于遥感图像的不动产地理信息采集方法。以角二阶矩参量和相关性为基础,提取遥感图像的特征参量,根据其划分采集范围内各个不动产的边界信息,通过匹配目标不动产像素在遥感图像空间维度网格范围内位置,实现对其地理信息的采集。测试结果表明,设计方法的Kappa系数均值为0.687,图像信息采集精度均在97%以上,不动产地理信息采集结果与实际信息基本一致,未出现缺失情况,因此说明所提出的地理信息采集方法可以降低采集误差。

基于多尺度特征融合的水下细粒度目标识别方法

复杂水下环境和光照条件给水下细粒度目标识别带来严峻挑战。本文在光学传感器数据和红外传感器数据的基础上,采用多模态信息融合技术提出基于多尺度特征融合的水下目标识别方法。首先,在3个尺度下分别融合水下目标多模态特征,为了减小水下多模态特征的信息丢失,对低级多模态特征进行融合以获取目标边缘细节信息,考虑水下复杂环境导致目标间的较大差异,融合中级多模态特征以获取提高特征表达能力和准确性,为了利用丰富的语义信息,引入协同注意力机制对高级多模态特征的像素级相关性进行建模,提取细粒度的水下目标类别信息。其次,在解码器中将不同尺度下融合后的特征表示逐步上采样以提高特征的空间信息,并与同尺度特征表示进行相加融合,进一步增强特征表达的准确性和稳定性。最终,将特征表示与标签特征图进行比较,获得像素级的分类结果,完成水下细粒度目标识别任务。通过单模态和多模态水下数据的实验结果对比分析,验证本文提出的方法在水下目标识别任务上取得了更优的识别性能。

一种基于YOLOv4的密集人群小目标检测方法

针对密集人群中由于视觉受阻和目标被遮挡导致小目标检测精度不佳的问题,本文基于YOLOv4模型将卷积块–像素块注意力机制模块(convolutional-pixel block attention module,CBAM-PIX)融入主干网络CSPDarknet53,并利用级联思想改进特征融合网络。注意力机制方法和特征融合方法不仅提升了数据的丰富性,而且提高了空间通道像素提取信息的能力和目标检测的准确性。此外,通过减少网络层数降低计算量和减少参数,提高了网络模型在有限计算资源和设备需求下的适应能力。实验结果表明,改进的模型算法在用于密集人群小目标检测时精确度提升了1.96%,且鲁棒性强。该算法为解决复杂背景下密集人群小目标检测提供了有效的解决方案,具有应用价值。

注意力机制的SAR图像车辆目标检测网络

在SAR图像车辆目标检测过程中,车辆轮廓定位不仅能够提供车辆位置信息,而且还能够为车辆状态分析提供依据,是SAR图像理解的关键步骤。但SAR图像中乘性斑点噪声会对轮廓定位造成干扰,增加车辆目标检测的难度。针对这一问题,提出了一种注意力机制的SAR图像像素级车辆目标检测网络。该网络由目标筛选、目标定位和轮廓细化三个模块构成。目标筛选在一个轻量级的特征提取网络中采用通道注意力和自注意力机制,在抑制噪声影响的同时对包含目标图像进行快速筛选,并提供稳定的定位热力图;目标定位利用掩码交叉注意力机制根据定位热力图优化粗尺度特征细化目标定位,并融入细尺度信息改善目标轮廓细节;轮廓细化通过轮廓点筛选消除上采样及噪声带来的轮廓不确定点获取准确的轮廓像素点置信度。对MSTAR数据集进行车辆像素级标注,建立SAR图像车辆数据集及大场景图像数据集用于网络测试。实验结果表明,该网络具有良好的像素级检测性能,可实现大场景SAR图像中车辆目标的快速精确检测。

基于深度像素级特征的孪生网络目标跟踪方法

目标尺度变化和低分辨率的复杂场景往往会影响目标跟踪算法的性能进而导致跟踪精度下降。针对此问题,提出了一种基于深度像素级特征的孪生网络目标跟踪方法。引入像素级特征融合方法对目标模板和搜索区域的多层特征进行融合、设计基于残差网络和拓扑结构的特征深层提取模块、依据判据筛选历史信息得到合适模板特征进行模板更新。实验结果表明,所提改进算法在VOT2018数据集上比基础算法的EAO值提升了5.31%,准确率提升了0.83%,鲁棒性提升了3.85%;在OTB100数据集上,所提算法精确率为91.4%,成功率为71.7%,与基础算法相比,精确率提升了3.28%,成功率提升了5.13%。

像素binning技术在高速弱点目标探测中的应用研究

弱点目标探测系统要求系统具备高的探测灵敏度和高空间分辨率,实现弱点目标的稳定探测、目标的精准定位以及多目标伴飞时的精细分辨。光电跟瞄系统一般分为目标捕获和目标跟踪两个阶段。在目标捕获阶段,由于速度估计偏差,目标高速飞行的同时,若采用长积分时间进行探测,易出现目标能量跨像元的现象,难以实现目标探测信噪比的提升。为了解决目标高速运动导致的探测灵敏度降低的问题,本文提出了一种基于滑窗像素binning的高速弱点目标探测跟踪技术。像素binning模式提高了初始捕获阶段的探测灵敏度和探测稳定性,当跟瞄系统完成目标的稳定跟踪时,可以采用长积分时间和高分辨率模式完成目标的高灵敏度和高分辨率探测。本文对像素binning模式的信噪比增强效果进行了分析。分析表明,像素binning模式有利于提高高速弱点目标探测的信噪比和探测稳定性。

基于深度学习的无人机多目标自动跟踪系统

为有效提高无人机目标像素水平,实现无人机对待测目标的准确跟踪,设计了基于深度学习的无人机多目标自动跟踪系统。设计核心管控电路,调节无人机操纵平台的作用能力,再利用目标节点处理模块,将其他应用元件结合起来,完成无人机多目标自动跟踪系统的硬件设计。构建深度学习网络,通过求取目标节点特征的方式,推导方向跟踪向量的具体数值,完成基于深度学习的无人机跟踪目标检索。对比实验结果,应用该研究方法无人机目标像素在水平、竖直方向上的数值都达到了200 pix以上,验证了该系统能够准确跟踪待测目标。

基于相邻帧差法的输电线路异物目标检测研究

针对输电线路异物目标检测时存在因目标区域阈值设定不准确导致准确率低的问题,提出一种基于相邻帧差法的输电线路异物目标检测方法。首先,针对输电线路异物提取问题进行分析。然后,以相邻帧差法为基础,采用仿射聚类算法进行优化聚类,从而实现实际目标像素的精确提取。最后,利用试验证明所提方法的先进性。试验结果表明,所提检测方法可使像素提取的准确率提升30%左右、异物识别的准确率提升23.48%。所提检测方法将相邻帧差法与仿射聚类法相结合,对输电线路电线周围异物目标特征提取过程进行创新,完成了异物目标的识别及检测。该研究提升了输电线路在线监测的有效性,为后续输电线路异物检测、异物预警提供了参考。

高光谱遥感图像亚像元信息提取方法综述

高光谱遥感图像光谱分辨率高、波谱连续、图谱合一,这为精细地物分类、探测和识别提供了数据基础。然而,由于高光谱遥感图像空间分辨率的局限性及地物场景的复杂分布,混合像元普遍存在于高光谱遥感图像。混合像元是高光谱遥感图像精细信息提取与分析中的难点。解决混合像元问题,实现亚像元级信息的提取与分析是近年来高光谱遥感图像解译的热点和前沿。本文系统梳理了高光谱遥感图像亚像元信息提取的主要研究内容,具体从混合像元分解、亚像元制图及亚像元目标探测3个研究方向综述了经典方法,并对国内外相关方向的研究进展、发展前沿及主要挑战进行了分析与评价,最后分析讨论了高光谱遥感图像亚像元信息提取研究在模型构建、优化求解及与应用结合等方面的研究趋势及方向。

面向复杂环境的圆形标志高精度定位方法

标志定位精度影响着视觉测量的精度,针对复杂环境测量标志自动定位精度不高的问题,本文提出一种基于亚像素弧段法的圆形标志中心定位方法。该方法首先对预处理图像进行边缘检测与跟踪,提取亚像素边缘序列,再利用边缘显著点与弧段几何特性对边缘序列进行中心约束,有效剔除伪圆弧特征,然后用更高效的相对位置约束与内接三角形约束对边缘弧段进行重组,最后对弧段组进行最小二乘拟合实现标志中心精确定位。本文通过提取亚像素弧段序列与更高效的弧段重组方法,提高了定位精度的同时,减少了弧段重组的时间。实验表明,在模拟图像的定位精度达到0.007 pixel,动态位移实验中精度达到0.05 mm,在光照变化、噪声、遮挡等不良条件下均能够满足视觉测量实时定位的需求。

圆形标志点的亚像素定位及其应用

标志点定位是三维形貌测量的关键技术之一,其精度在很大程度上决定着系统的测量精度。其中,圆形标志点以其定位精度高、易于识别的优点得到了广泛的应用。结合Canny边缘检测、目标识别、亚像素边缘检测等技术,提出了一种可用于对复杂背景下的圆形标志点进行亚像素定位的方法。仿真实验证明该方法可以保证0.02像素的定位精度。随后,给出了一种利用圆形标志点进行深度像匹配的实例。

一种基于变化检测技术的SAR图像舰船目标鉴别方法

该文引入变化检测思想,利用SAR图像中海杂波和目标之间的灰度差异,通过对潜在舰船目标切片的目标像素和背景像素进行分离,计算目标像素聚集度(TPAM)特征,实现对高亮像素在图像切片中聚集程度的定量评估,从而鉴别目标切片中是否包含有舰船目标,有效去除杂波虚警。首先,基于感兴趣区域(ROI)切片中心为目标像素及四周为海杂波的合理假设,构建似然比变化检测量获取差异图像;然后,利用KSW熵阈值选择方法实现差异图像中目标像素和海杂波像素的自动分离,生成二值图像;最后,利用切片中心像素为种子点,对二值图像进行区域生长,计算目标像素聚集度特征,并判断目标切片是否包含舰船目标。基于RADARSAT-1 SAR实测数据的实验结果表明,该文方法得到的目标像素聚集度特征计算简单、稳健性好、可区分度高,具有良好的鉴别性能,能够去除大部分海杂波干扰产生的虚警,有效地降低目标检测虚警率。

基于复杂背景的红外小目标图像预处理方法

复杂背景下红外小目标的检测是红外热成像系统的核心技术之一,不同的背景和目标特征对检测算法的要求各有差别。为了降低系统运算量、提高小目标检测的实时性,针对扫描型红外预警系统,在分析红外小目标图像特征的基础上,提出了根据固定邻域内种子像素的属性来分割图像,并结合前景和背景之间的对比度关系,进行噪声抑制和对比度增强的图像预处理方法。通过实验证明,该方法能够提高红外小目标图像的信噪比,降低系统后续处理的数据量,对小目标检测算法具有较好的辅助作用。

一种改进Mean shift算法的视频监控系统

在TiDavinciDM6446DSP硬件基础上,结合Mean shift跟踪算法本身的特点,针对跟踪物体在大比例或相对时间长的阻挡,以及视频的采集、处理、传输过程可能出现的失真丢包现象,采用改进型的牛顿插值算法,确定目标接近真实位置的最优位置.插入改进后的算法具有很好的实时性和准确性.