基于域适应与类别对比的夜间目标检测方法

夜间目标检测任务中,目标能见度低,难以对图像数据进行大量标注,导致使用监督方法进行大规模数据训练的困难,而当使用较小规模标注数据训练时监督方法容易产生过拟合,预测准确性差。针对这些问题,本文提出一种无监督域适应夜间目标检测模型,使用有标注白昼图像和无标注夜间图像训练。模型使用了昼夜图像增强方法,减小昼夜域间隙并提升夜间训练数据的复杂性以丰富特征学习;将多尺度通道注意力引入Faster-RCNN模型,提升感知多尺度特征的能力;使用类别对比学习方法获得具有鉴别性和域间不变性的类别特征。在城市交通数据集BDD100K和SODA10M上进行的实验表明,本文方法性能优于常用的域适应目标检测方法。

基于YOLOv5的UAV夜间目标检测技术研究

针对无人机(UAV)夜间目标检测技术准确率较低的问题,对现有夜间目标检测方法和YOLOv5算法进行简要介绍,提出了基于YOLOv5算法的夜间目标检测技术。通过在原YOLOv5网络中加入改进的Retinex算法对原网络进行动态增强,在模型训练过程中,将Focus层替换成CBS层,改善模型训练效果,并利用改进算法对UAV夜间目标检测性能进行仿真。结果表明,改进的YOLOv5算法在查准率和查全率方面分别比原YOLOv5算法提高了11.22%和5.32%,有效提升了UAV夜间目标检测能力。

夜间目标特性与微光夜视

对夜间目标亮度分布特性、外形尺寸特性和与背景的对比度特性进行分析，并给出测量数据。分析微光夜视系统对目标特性的改变，探讨提高微光夜视性能的对策。

改进YOLOX的夜间安全帽检测算法

安全帽检测是保障建筑施工现场安全的一个有效手段。为保证暗光条件下图像分辨度,塔机吊钩摄像头夜间经常需采集灰度图像。由于摄像头晃动和人员走动,安全帽目标区域还经常会出现模糊现象。为解决模糊灰度图像中目标特征丢失所导致的检测精度下降问题,以YOLOX为基准模型,提出一种用于夜间安全帽检测的特征增强和回归权重自适应YOLOX(feature enhancement and regression weight adaptive,FERWA-YOLOX)算法。算法在输入层增加了融合不同大小感受野的多尺度残差(multi-scale residuals,MSR)模块,在同层网络中融合更多局部特征,降低目标局部模糊带来的影响;在解耦头的分类分支增加并行池化通道注意力(parallel pooling channel attention,PPCA)模块,弥补因目标颜色特征丢失所导致的网络分类能力的下降;设计了一种带双惩罚项的损失函数(double penalty items-Siou,DPI-Siou),自适应地降低形状固定目标的形状损失和模糊目标在回归时的权重,提高网络的检测精度。实验结果表明,FERWA-YOLOX较原YOLOX算法,mAP提升了4.88个百分点,参数量仅提升0.5 MB,且满足夜间实时检测需求。

基于改进YOLOv5网络模型的夜间车辆检测研究

为解决夜间场景下视频监控目标检测在实际应用时准确率不高这一问题,提出改进的YOLOv5算法。首先,建立了真实夜间场景目标的数据集,该数据集有2000张图像,分为了机动车、非机动车和车牌三个类别,以8∶2的比例均匀随机分为训练集和测试集,将夜间目标的图像放入改进的YOLOv5模型中训练,最终达到在夜间检测目标的目的;改进的YOLOv5利用了K-means++聚类算法生成自适应锚框,提高对夜间目标样本的聚类效率。其次,将改进的CBAM注意力机制与特征提取网络进行融合以获取夜间目标的重要特征。最后,将Bottleneck替换成GSBottleneck模块,利用GSConv轻量化的优势减少网络模型的计算量与参数量。结果表明,通过原YOLOv5网络模型算法训练后得到的mAP值为86.69%,改进后的YOLOv5网络模型算法训练后得到的mAP值为91.98%,三种被检测类别:机动车、非机动车和车牌的检测准确精度与原版算法相比分别提升了2.00、6.66、7.19个百分点,改进的YOLOv5网络模型可以为夜间场景下车辆特征的检测提供较好的技术支持。

融合GA的三点定位夜间苹果目标的识别算法研究

针对苹果采摘机器人不能准确定位夜间苹果目标的问题,提出一种融合GA的三点定位算法。该算法首先利用a-Cb-R融合空间分类将夜间苹果目标与背景分离,然后采用Canny算法和凸壳理论获取夜间苹果目标的真实轮廓,最后采用融合GA的三点定圆算法实现夜间苹果目标的准确定位。试验结果表明,针对枝叶遮挡率小于50%、大于50%和重叠果实三种情况,融合GA的三点定圆算法平均假阳性率分别为1.272%、2.728%和3.052%,平均重叠系数分别为92.199%、80.188%和82.02%,平均假阳性率分别较三点定圆算法降低1.328%、2.349%和2.273%,比Hough变换算法分别降低5.829%、7.731%和4.344%,平均重叠系数分别较三点定圆算法提高6.069%、8.887%和12.278%,比Hough变换算法分别提高30.738%、27.853%和34.778%,表明融合GA的三点定圆算法提高定位精度,可以较精确的实现夜间苹果目标的定位。

象素级多传感器图像融合技术

多传感器图像融合是图像信息的综合与分析过程，它可有效地萃取多通道图像信息，构成统一图像，提供显示中心显示或决策机构判别。各种图像传感器的性能极大地依赖于使用环境，至今还没有一种图像传感器在多种不同的使用条件下，其各项性能（作用距离、测量精度、分辨率、抗干扰、灵敏度等）都高于其它类型的图像传感器，融合多传感器图像能够提高图像探测系统的探测和识别能力。该文论述了象素级多传感器图像融合的概念、原理、处理结构。指出象素级多传感器图像融合中存在的主要问题及解决方法。利用微光ＣＣＤ摄像机和滤光片的适当组合，配以计算机的处理，在夜间对野外静态景物完成了多传感器（或多光谱）图像融合试验，结果表明。

基于多尺度生成对抗网络的运动散焦红外图像复原

红外热成像系统在夜间实施目标识别与检测优势明显,而移动平台上动态环境所导致的运动散焦模糊影响上述成像系统的应用。该文针对上述问题,基于生成对抗网络开展运动散焦后红外图像复原方法研究,采用生成对抗网络抑制红外图像的运动散焦模糊,提出一种针对红外图像的多尺度生成对抗网络(IMdeblurGAN)在高效抑制红外图像运动散焦模糊的同时保持红外图像细节对比度,提升移动平台上夜间目标的检测与识别能力。实验结果表明:该方法相对已有最优模糊图像复原方法,图像峰值信噪比(PSNR)提升5%,图像结构相似性(SSIMx)提升4%,目标识别YOLO置信度评分提升6%。