基于空间体素表达与影像目标验证的建筑物三维变化检测分析

针对复杂城乡区域违法建筑检测效率低、虚警和楼层加盖等漏检多的难题,本文结合三维点云空间体素表达与二维影像目标识别,提出一种适用于无人机影像密集匹配点云的建筑物三维变化检测方法。首先,对两时相的无人机密集匹配点云进行配准、地面点滤波等预处理;然后,对点云构造八叉树,逐层比较体素获取变化点云;最后,将变化点云聚类后逐个按正射视角投影生成二维影像,利用ConvNext网络进行建筑物验证,得到建筑物变化检测结果。本文实验在对象级上进行检查效果评价,在正确率达到87.18%的情况下,实现了100%的检测完整率。结果表明本文方法能够有效提升违章建筑发现效率,满足实际生产需求。

基于Hough树林的空间有形目标特征训练与检测识别方法

随着空间飞行器利用率的不断提高,各国开始关注于空间目标的监视问题。如何对空间有形目标进行准确的分类与定位识别是目前关注的难点之一。针对空间目标的特征提取与识别定位问题展开研究,提出了一种基于Hough树林的空间目标探测识别方法。首先,通过广义的Hough变换,使用独立的目标局部的探测识别对全局目标可能位置中心进行投票。然后,用与Hough图像极大值相对应的探测识别假设对局部特征的投票进行汇总,继而通过训练建立起Hough树林。进一步地,在传统码表存储局部特征投票信息的理论基础上,使用所建立的Hough树林进行了天基目标的探测识别。实验表明,此方法可以在不同的探测距离上对多类空间目标进行较好的探测识别。

基于BFM算法的空间有形目标识别方法

为了对具有复杂边缘的目标进行更准确的检测识别,提出了一种基于边界片段模板(boundary frag-ment model)训练模式的目标识别方法。方法首先提取目标的边界片段组成弱分类器,然后使用AdaBoost算法将它们提升训练成为强分类器,并用其进行检测和识别目标。仿真实验表明,该方法对有形目标,特别是对具有复杂边缘的空间有形目标有较好的识别效果。

一种基于序贯最小优化改进的支持向量机空间有形小目标识别方法

提出了一种基于序贯最小优化改进的支持向量机空间有形小目标识别方法。首先陈述了空间有形目标识别的意义并分析了其特点,进而提出了一种基于预分类的两级分类识别策略。在此基础上重点针对空间有形小目标识别所具有的小样本学习问题的本质和特点,采用基于序贯最小优化(Sequential Minimal Optimization:SMO)改进的支持向量机解决训练问题,从而提高了训练的效率和精度。最后,通过10类空间有形小目标共1360个成像尺度不大于30×30像素的仿真样本进行仿真检验,结果表明本文所提出的识别方法的正确率达到了98%(训练样本数454,测试样本数906),完全可以满足实际应用需要,而且具有良好的实时性。

基于旋转目标检测的指针仪表读数识别方法

为解决判断指针方向的问题,提出一个旋转目标检测网络R-YOLOv5。采用旋转矩形的形式定位指针的位置和角度方向,采用环形平滑标签的长边表示法区分矩形的方向,将角度回归预测问题转化为分类问题,设计合适的损失函数和旋转IoU计算方法,解决角度周期性对训练的影响。针对指针仪表数字刻度识别问题,提出一种空间聚类算法,能够鲁棒地识别刻度的数字。实验结果表明,所提指针仪表读数识别方法在误差允许范围内,识别准确率达93.9%。

渐进式结构的餐具检测与识别网络

构建渐进式餐具检测与识别网络,将快速空间金字塔池化融合到渐进式颈部网络,得到不同尺度特征并逐级融合。首先,通过主干网络从原始图像提取不同语义信息的多尺度特征图。其次,通过融合相邻低级特征,将高级特征融合到自适应空间,形成渐进式颈部结构,得到3个不同尺度的特征代表。最后,通过解耦检测头获得识别结果。实验结果表明,餐具检测与识别精确度为96.9%。

基于深度学习的空间非合作目标特征检测与识别

针对空间非合作目标检测与识别任务的智能化要求,本文将深度学习方法Mask R-CNN(mask regionbased convolutional neural network)应用于任务中,并借鉴R-FCN(region-based fully convolutional networks)和Lighthead R-CNN(light-head region-based convolutional neural network)对其进行优化改进,提升检测速度,以满足空间任务实时性要求。实验结果表明,与传统的Mask R-CNN相比,改进的Mask R-CNN可缩短20%的检测时间。针对深度神经网络需要大样本数据集进行训练的特点,本文基于迁移学习提出搭建虚拟环境进行样本采集,构造空间目标特征检测与识别数据集的方法。实验结果表明,网络在虚拟环境生成的数据集上可以很好地学习到相应特征,从而具备迁移到实际任务的能力。

一种基于目标检测的沥青路面损坏识别方法

本发明公开了一种基于目标检测的沥青路面损坏识别方法;通过基于transformer的神经网络架构,提出了APDETR沥青路面损坏检测的模型。通过构造可变形卷积,并使用偏移量以及从目标任务学习偏移量,从而达到增加空间采样位置的目的,进而对几何变形有更好的特征捕捉。

一种基于特征区域的空间有形目标识别方法

本文针对空间目标旋转、尺度、视点及亮度变化等问题,提出了一种基于特征区域的空间有形目标识别方法。首先结合空间信息匹配SIFT特征点,利用仿射变换生成特征区域,最后合成特征字典并使用支持向量机进行目标识别。仿真实验表明,本方法对空间目标旋转、尺度及视点等变化具有较好的稳定性。

基于在轨光学相机的空间点目标检测方法

针对在轨光学相机视轴无法通过卫星姿态进行预估,序列探测图像中恒星背景又无法忽略等空间运动点目标检测中的难点问题,提出了一种基于序列帧探测图像运动特性分析的点目标检测方法。该方法首先从恒星星图中检测出所有的目标点,接着选取亮星点进行恒星识别,最后对所有的目标点进行运动分析,检测出与恒星具有不同运动特性的星点作为空间点目标。仿真结果表明,该方法能够从运动的恒星背景中识别出空间运动点目标,对完善空间运动点目标检测方法有参考价值。

基于自适应空间滤波多级假设检验的空间目标识别方法

针对目前空间目标检测技术存在目标识别难度大、虚警率高、算法效率低等问题,提出了一种基于自适应空间滤波多级假设检验(ASMHT)算法的空间目标识别方法,用于提取光电观测系统在恒星跟踪模式下的空间目标,包括目标粗筛选与目标精筛选两过程。目标粗筛选使用尺度空间高斯差函数得到预处理后星图中各候选目标的尺度值,并将目标尺度值作为空间滤波窗口的尺度大小,利用连续多帧空间滤波窗口内不同种类目标的灰度分布特征代替灰度相关准则,去除无像移的背景恒星和随机噪声,筛选出疑似运动目标。目标精筛选使用改进的多级假设检验方法,通过建立疑似运动目标速度搜索窗极大提高了算法效率,最后依据轨迹特征筛选出空间目标。空间目标仿真星图结果表明,与现有空间目标识别方法相比,ASMHT算法具备空间目标低信噪比条件下的目标识别能力,且综合检测性能最好,在相同的虚警率下可获得更高的检测率。真实星图测试比较结果表明,ASMHT算法计算复杂更低,实现了更加精确的空间目标识别。

一种基于改进霍夫变换的天基GEO目标快速检测算法

分析GEO空间目标和恒星在高轨探测器上的运动特性和成像特点,提出一种基于改进Hough变换的空间目标检测算法,以便有效地从复杂星空背景下提取出空间目标。采用均值加方差的方式选取全局阈值;根据末帧差分图的疑似目标点确定进行Hough变换的区域和潜在的轨迹端点;使用改进的单维Hough变换进行轨迹判断。实验结果表明,与传统Hough对比,算法的复杂度、占用内存和计算量都有明显降低,算法所用时间减小50%,可见该算法可以用于空间目标在轨实时识别,并且对噪声有不错的抵抗能力。

基于改进YOLOv4-tiny的输电线路目标识别算法

对输电线路周围的典型目标进行检测对于防止输电线路外部破坏有着重要意义。传统目标检测方法没有针对输电线路周围目标尺度变化大、小目标多等进行有效设计,存在识别速度慢、容易误报漏报等问题。基于YOLOv4-tiny目标检测模型的基本框架,提出了一种改进的YOLOv4-tiny目标检测模型来检测输电线路周围的典型目标。在原先YOLOv4-tiny网络的骨干网上额外引出了一层特征层以提取更多的特征;在原特征金字塔网络结构的基础上引入空洞空间卷积池化金字塔模块,使得模型能在3种不同尺度的特征图上提取更多的特征;同时为解决检测过程中正负样本数量不均衡问题,使用Focal损失函数代替二分交叉熵损失函数。实验结果表明,在牺牲较少检测速度的情形下,模型精度提升了9.92%。

基于视频识别的移动目标追踪系统

本文所提到的算法是基于OpenCV模块设计出的一种,改进运动目标跟踪与检测的算法,基于CAMSHIFT算法来实现对运动目标的跟踪与检测。通过利用USB摄像头作为视频图象采集器,经过对图片的预处理,以及对HSV色彩空间转换,并在VS2013的编译环境下,实现一种对运动目标的新型跟踪检测方式。经过实验验证,并且通过观察实验实际检测结果可以得出结论,本文所提到的新型运动目标检测算法能够准确地检测出视频图像中的运动目标,并能无误地追踪目标。

动态场景中的视觉目标识别方法分析

当前动态场景中的视觉目标识别技术在生活中的角色越来越重要,在军事应用,医疗卫生,交通指挥以及在人工智能方面都能看到该项技术的影子。其中图像目标识别这一环节更是机械视觉领域所不能替代的,是计算机真正能够拥有感知能力的一个重要途径。随着这几年科技的不断发展,目标识别技术也在飞速的提高,正在逐渐从研究阶段转变到现实的生活应用中。通过结合动态场景中受光照、视角以及背景等影响较大的目标对动态场景中的视觉目标识别,本文从视觉目标特征检测与描述和目标识别等方面对动态场景的视觉目标识别方法展开研究。

采摘机器人的目标定位和测量技术

在采摘机器人的工作过程中,为了提高采摘机器人的采摘成功率,需要获取水果的位置信息,以确定果实与采摘机器人的相对位置关系.由于采摘作业环境复杂,为提高采摘系统的工作效率,提出一种基于Opencv采用Yolov5算法和双目相机对水果进行目标识别和空间定位的方法.针对小目标识别在Yolov5算法中识别精度的不足,在Yolov5算法网络结构中叠加包含更多低层级信息的浅层特征图,实现小目标检测层进行算法优化,实验结果表明,优化后的识别网络对水果检测的平均精度为92.4%.基于深度学习的优化识别网络在识别小目标方面具有更好的性能,可以有效提高果农采摘系统的工作效率.

基于星图识别的空间目标检测算法研究

从恒星背景中检测出空间目标是空间目标天基光学测量相机所要解决的关键技术难题之一。提出了一种基于星图识别的空间目标检测算法,利用背景星图的平移、旋转、比例伸缩不变性,应用星图识别原理,根据识别恒星在不同帧图像中的坐标变化估计背景运动参数,进行探测图像序列的配准,然后在配准后的图像序列中检测出空间目标。通过仿真验证,该方法对于运动恒星背景中运动小目标的检测具有比较好的效果。

低轨光学星座目标监视信息处理技术分析

以空间跟踪与监视系统(STSS)为原型,对低轨光学星座目标监视信息处理技术进行了综述。作为典型的低轨光学星座,STSS能对高速运动目标进行全程连续跟踪监视。该星座预计将由24~30颗卫星组成,介绍了其体系结构、平台与载荷的特点和性能。星座具备多载荷、多波段协同探测能力且星上信息处理能力强大。给出了星座对目标的分布式跟踪监视信息处理结构与流程,归纳了杂波背景抑制与目标检测捕获、多目标跟踪、目标识别,以及星座传感器管理等关键技术。讨论了光学星座信息处理中空间邻近目标分辨、目标群跟踪、机动目标跟踪、真假目标识别,以及信息处理总体技术等技术难点和发展趋势。

基于图像识别的建筑物三维重建

为从彩色高分辨率的图像中提取出主要建筑物的位置信息并进行三维重建,提出一种结合2-D和3-D信息识别建筑物,通过纹理集技术进行大规模3-D重建的方法。进行边缘检测,提取可用的短直线以及相应的2-D特征,对这些短直线进行逐级聚类得到候选屋顶集合;通过朴素贝叶斯分类器在候选屋顶集合中区分出不同的3-D屋顶特征,以识别全局优秀的屋顶;根据屋顶的位置信息,在大规模的3-D场景中绘制出相应尺寸的模型,通过动态分配算法将建筑物纹理合并,减少纹理数量,从而减少纹理状态的切换。以航拍和卫星遥感彩色高分辨率图像进行实验,实验结果表明,该方法有优秀的识别正确率和3-D重建效果。

基于颜色特征的人流量实时检测方法

为改善视频监控中人流量检测的准确性问题,提出一种利用头发颜色特征的人流量跟踪检测方法。该方法对输入图像同时做如下两个操作:基于头发颜色特征的二值化和基于混合高斯模型的前景提取。对这两者合并后的结果做特征判别就可以得到人头区域。以人头区域为目标进行跟踪,分析运动轨迹特征后可以判断行人的进出方向及数目。实验表明该方法在双向行走、行人密集及背景干扰条件下均有很高的正确率。并且,每帧图像平均处理时间只需20 ms,完全可以满足实时处理的要求。