卡尔曼滤波预估渔船目标物体距离和速度算法

卡尔曼滤波是一种最优估计的数据处理技术,以卡尔曼滤波算法为主要研究内容,以渔船雷达对海上目标物体距离为测量据进行卡尔曼滤波处理,得到目标物体与渔船的相对距离和相对速度的最优估计值,以及各状态的估计误差方差变化趋势,对结果进行分析,实现Kalman滤波算法预估目标物体距离、速度的仿真系统设计。

基于分区编码坐标的目标物体6D位姿检测网络

基于建立2D-3D坐标密集对应的两阶段方法是对目标物体进行6D位姿检测的一类解决方案。本文在前人的基础上改进,提出了ZC-Pose,一种基于分区编码坐标的目标物体6D位姿检测网络框架,其仅使用RGB数据和模型信息对目标位姿进行预测。本文在Linemod数据集上测试其表现,相较于该领域的一项经典工作--CDPN中的旋转分支部分有了可观的提升,并且与其他相关工作进行比较,也表现出了具有竞争力的结果。

基于谱聚类和增量学习的运动目标物体检测算法研究

运动目标物体检测是计算机视觉领域的热门研究方向之一。该方向的一些复杂问题,例如:环境光照变化、目标物体部分/全遮挡、目标物体刚性/非刚性形变等,仍极具挑战性,并制约检测算法效果的进一步提高。为此,提出了一种新颖的运动目标物体检测算法。该算法采用了增量学习技术,融合了视频相邻帧在空间和时间上的高相关性,在每个测试帧上都利用其相邻帧的训练数据进行模型的自学习与更新,从而保证了模型在不同环境或复杂背景下能自动调整。为了实现模型学习,还提出并采用了一种新颖的谱聚类技术。该算法通过一个由1 000多帧的视频数据库验证,采用统计学中的方差分析和多重对比等实验手段,综合分析了该算法与其他同类经典算法的效果。通过大量统计分析,结果表明,该新颖检测算法比传统算法在运动目标物体检测的准确性和鲁棒性上都有明显提高。

基于图像纹理分析的目标物体识别方法

介绍了用图象纹理分析的方法 ,对目标物体进行识别 .采用直方图法求出阈值 ,利用该阈值分割目标物体 ,对目标物体进行采样 ,分析纹理 ,在另外一幅图中进行边界匹配和纹理比较 。

基于视觉技术的圆柱内壁小目标物体精确测量

从视觉技术角度出发,根据透视变换原理,提出了一种圆环转换为矩形的改进方法,提高了转换速度,并通过实验,经纠正畸变、图像分割、圆形识别、图像展开、插值及边缘检测等步骤,对展开结果进行了验证。

基于视觉技术的圆柱内壁小目标物体精确测量

该文从视觉技术角度出发,根据透视变换原理,提出了一种圆环转换为矩形的改进方法,提高了转换速度,并通过实验,经纠正畸变、图像分割、圆形识别、图像展开、插值及边缘检测等步骤,对展开结果进行了验证。

基于改进Faster-RCNN的机场场面小目标物体检测算法

针对目前应用于机场视频监控中的卷积神经网络方法存在小目标物体识别准确率较低的问题,本文提出了一种基于Faster-RCNN并结合多尺度特征融合与在线难例挖掘的机场场面小目标检测算法。该算法采用ResNet-101作为特征提取网络,并在该网络基础上建立了一个带有上采样的“自顶向下”的特征融合模块,以生成语义信息更加丰富的高分辨率特征图。并在网络训练过程中,采用在线难例挖掘的训练策略使模型更加鲁棒地对小目标样本进行定位。最后,手工构建了一个包含5982张图片的机场数据集,用于检测模型的训练和测试。结果表明,本文所提出算法显著提升了机场场面小目标物体检测的准确率,且使整体平均检测准确率达到了80.8%,该结果高于其他先进的目标检测模型。

一种基于多视角图像的目标物体定位方法

在遥操作机械臂时,为了能有一个更加友好的人机交互界面,往往需要在控制界面中构建一个虚拟的机械臂以及机械臂工作空间,所以,在虚拟工作空间中标示出目标物体与虚拟机械臂的相对位置,给操作人员一个直观的提示,是虚拟工作空间重构的关键问题。针对机械臂遥操作,提出了一种基于不同视角图像的快速高效的定位方法,该方法根据目标物体在多个不同视角图像中的位置,计算出目标物体在实际工作空间中的位置,从而在虚拟机械臂工作空间中标示出目标物体与虚拟机械臂的相对位置。最后,构建了机械臂遥操作实物系统,验证了该方法的正确性。

基于被动式人体安检太赫兹图像的小目标物体检测方法

被动式太赫兹成像设备不断应用于人体安检,而在特定安检场合(例如机场)需要快速准确检测出人体安检图像中的小目标违禁品。由于被动式太赫兹图像低分辨率的限制,人体安检对小目标检测精度和速度的需求,传统检测方法和单纯的深度学习算法都难以满足。根据被动式太赫兹图像低分辨率的特性,本文在目标检测前对图像进行预处理。针对小目标检测,我们对SSD算法的网络结构和预选框进行了优化。在小目标检测方面,我们的方法可以提高检测精度到73%。而在一般目标检测方面(包含小目标)我们的方法可以达到76%mAP。

基于SSD方法的小目标物体检测算法研究

SSD方法是目前为止主要的目标检测算法之一。针对该方法处理小目标物体检测时精度不高的问题,文章在对SSD卷积神经网络的网络结构进行分析的基础上,在使用原有多层卷积特征图结构的前提下通过特征增强的方法来改善网络结构,构建了一种新的小目标物体检测算法模型。将该模型在PASCAL VOC 2012目标检测数据集上进行精度检测,检测结果与原始的SSD网络相比有了较好的提升。

基于大视差图像中目标物体的拼接

近年来,随着计算机技术和多媒体技术的快速发展,全景拼接技术的应用也越来越广泛。而针对于大视差图像中目标物体的拼接技术应用和研究有一定的局限性。大视差图像中目标物体的拼接,指一系列纵向或横向连续垂直拍摄的二维图像中,目标物体与背景视差较大,在拼接时只关注目标物体的拼接而非整幅图像,一般应用于航拍建筑物体的拼接或高度测量。为了获得目标物体较好的拼接效果,采用等距拍摄,以及利用视差图与特征点匹配集平行线选取技术,获取目标物体本身的特征点匹配集,进而完成目标物体的横向或纵向拼接。实验结果表明,该方法能够提高大视差图像中目标物体的拼接效果,并能有效满足大视差图像中目标物体的拼接。

基于ADAMS和Pro/E的目标物体抓取机械手的运动学仿真

基于目标物体抓取机械手的结构和运动特点,运用D-H方法建立该五自由度机械手的运动学方程并求解,运用Pro/E三维建模功能对该机械手进行实体建模,再利用ADAMS软件仿真功能进行运动学仿真,得出机械手在特定运动状态下末端点的运动轨迹、速度和位移等特性曲线,验证了运动学数学模型的正确性,为机械手结构优化和运动控制提供数据参数。

二值图像中目标物体轮廓的边界跟踪算法

分析了二值图像识别中常见的边界跟踪算法,在此基础上提出一种通用性强的边界跟踪算法,能够根据上一边界点的位置判断轮廓走向.在搜索下一个边界点时,只需要对候选的5个点进行判断,便可以找到下一个边界点的位置,从而减少了搜索的次数,使得边界跟踪的时间大为减少.算法对于轮廓不封闭的线段也可以一次扫描得到其轮廓信息.实验表明,算法不仅速度快,而且轮廓识别准确.对于目标物较复杂的图像,算法更能体现出其优越性.

面向高光谱图像的目标检测研究

现有的高光谱目标检测方法是通过逐像素分类而实现,导致了检测速度缓慢。物体级目标检测的发展为高光谱图像实时目标检测带来了希望。为了实现实时高光谱图像目标检测,文章提出了一种基于目标检测模型YOLO的卷积神经网络算法。首先,该算法提出了用多尺度光谱注意力网络(Res2NetSE)来提取空谱特征,能够提升多尺度目标检测效果并能更有效地提取关键波段信息;其次,该算法提出了一个空间增强的特征金字塔模块(Spatial Enhanced FPN,SFPN)用于特征融合,提升了神经网络的感受野和多尺度性能;最后,该算法设计了FIOU(Fantastic IoU)损失函数,提升了预测框定位精度。实验结果表明,所提出的算法能够有效提取空间域和光谱域信息特征,分别在平均准确率上提升了14.19%、8.01%和5.38%,与现有方法相比表现出更出色的性能。文章的算法为高光谱图像的物体级目标检测提供了一种有效的解决方案,有望推动高光谱图像分析领域的进一步发展。

一种基于丰富视觉信息学习的3D场景物体标注算法

在智能服务机器人领域,根据场景的图像序列来完成场景重构及其中物体的检测与标注,是机器人场景理解、人机交互及后续服务的基础.本文针对基于RGB-D数据的3D场景物体标注展开研究,设计了一种充分融合颜色与深度数据的物体建模学习方法,并将其应用于图像目标快速检测及3D场景物体标注.离线学习阶段,在构建物体检测模型时,加入了物体颜色的高斯模型,与物体的RGB-D HOG特征一同构成先验模型.在线阶段,首先对待检测的场景图像进行超像素分割,将对场景图像的处理从以像素为单位转变为以超像素区域为单位;同时计算每个超像素区域的高斯颜色模型,并与物体的先验高斯颜色模型比对,筛选得到物体所在的候选超像素区域;然后,在筛选出的超像素周围进行滑动窗口搜索,计算目标物体出现在场景图像中的概率图;最后,将该概率图映射到3D场景中对应体素,联合该体素及其周边体素构建马尔科夫随机场,进而进行3D场景物体标注.实验结果表明,由于引入了超像素处理,以及基于颜色模型比对的超像素筛选,所处理的数据量大大减少,在基本不损失精度的同时,算法效率明显提高.

飞机雷达信号的分析技术

一、引言随着航空业飞速发展,飞机数量持续增加,飞行安全成为航空领域中最重要的关注点。雷达技术作为一种常用的飞行探测手段,在飞机导航、防撞系统、气象预警等方面起着至关重要的作用。本文通过研究飞机雷达信号的分析技术,旨在深入理解雷达信号的变化规律,为飞行安全提供可靠的支持。不同类型的目标物体对雷达信号的反射特性各不相同,因此通过对雷达信号进行详细分析能获得目标物体的多种信息,如距离、速度、方位角等.

基于“检测+分类”模型融合的物体识别应用分析

物体识别作为自动驾驶、行为检测等算法的基础,具有相当重大的研究意义。通常物体识别分为两种做法:物体检测和物体识别。结合准确率以及目标物体定位这两点要求,提出了"检测+识别"双模型融合的物体识别算法应用,通过检测算法实现物体的定位,再将定位物体抠图后放入识别模型中进行物体分类,此方法在少量数据训练的情况下,同时兼顾了识别的准确率以及目标物体定位两个要求,很大程度提升了算法应用的实用性。

运动目标检测方法综述

1.概述运动目标检测的解决需依靠智能、有效、可行的识别检测技术,但受限于目前技术发展现状,运动目标检测仍具有研究必要性和广阔的发展前景。1.1目标分割技术和检测技术目标检测效果主要受运动目标的大小、位置的变化而改变。其中因素多种多样,基本包括目标类型的多元化、目标运动速度的不确定性,以及视频采集设备抖动、背景、光照等发生变化或干扰等因素。

基于深度学习的移动物体检测

本文为解决深度学习中无法达到对多张照片移动目标物体识别的需求,提出一种基于深度学习的移动物体检测方法。首先利用前馈神经网络中目标定位技术设计目标定位模型,计算出目标边界框的大概位置,再基于时间空间融合方法提取特征,以3D卷积网络提取时间信息对移动目标行为进行预测,通过级联分类器剔除非有效目标,有效提高了移动物体检测的准确性和效率。

人人都能给地球拍大片--泛在平台遥感对地观测

遥感技术通过传感器对物体的电磁波的辐射、反射特性,可以在远离目标和非接触目标物体条件下探测目标。或许你会觉得遥感技术很神秘,而遥感数据很机密。的确,传统遥感数据以及产品需要依赖测绘遥感专业人士根据一定的标准和流程生产获取。但是近年来互联网通信技术的迅速发展以及智能移动设备的快速普及使遥感技术由专业化逐渐走向大众化。