低轨倾斜轨道卫星太阳电池阵防遮挡设计与分析

低轨倾斜轨道卫星轨道面光照角周期变化,太阳电池阵受照情况复杂,其输出电流呈现波动。为此,文章分析卫星各种工况下的本体遮挡面积,结合太阳电池阵遮挡工作特性分析及阴影遮挡试验结果,开展太阳电池阵防阴影遮挡设计,并采用投影法进行卫星本体遮挡影响分析。结果表明:卫星本体遮挡时,电流损失预计值与在轨遥测电流损失值基本一致,分析误差小于2%。上述分析结果可为卫星复杂遮挡工况下电源系统能量平衡设计提供参考。

基于关键区域遮挡与重建的人脸表情识别

为了解决自然场景下人脸表情识别任务中的无用信息干扰和遮挡对识别性能的影响问题,提出一种基于关键区域遮挡与重建的人脸表情识别模型。利用多尺度特征提取网络,提取人脸图像的全局特征。根据68个人脸关键点划分出68个关键区域,并通过插值法提取68个关键区域的特征,同时采用注意力机制学习关键区域特征之间的先验关系。设计自监督的遮挡与重建模块,对关键区域特征进行随机遮挡,并利用已知区域信息来预测和重建被遮挡区域的特征,从而提高模型在自然场景下的表情识别性能。设计多个实验验证了该模型的泛化能力,并通过消融实验验证了模型中每个模块的有效性。实验结果表明,该模型在真实世界的情感面孔数据集(RAF-DB)和Occlusion-RAF-DB数据集上分别达到了88.44%和86.09%的识别准确率,相比于视觉Transformer(Vi T)等模型有效地提升了自然场景下人脸表情识别的性能。

基于上下文提取与注意力融合的遮挡服装图像分割

针对遮挡服装图像分割准确率低的问题,提出一种融合上下文提取与注意力机制的遮挡服装图像实例分割方法。以Mask R-CNN为基础网络,首先采用上下文提取模块优化ResNet的输出特征,通过融合不同速率的多路径特征从多个感受野中捕获图像的上下文信息,强化遮挡服装特征表示的识别及提取能力;然后引入通道注意力机制与空间注意力机制的残差连接,自适应地专注于捕捉遮挡服装图像的空间和通道维度上的语义相互依赖关系,降低上下文提取模块在处理特征图时因冗余的上下文关系扩大造成误定位与误识别的概率;最后,采用目标检测损失函数CIoU计算原理作为非极大值抑制的评判标准,关注预测框和真实框的重叠与非重叠区域,最大程度地选择遮挡服装的最优目标框,使预测框更加贴近真实框。结果表明,与其它方法相比,改进方法显著改善了不同遮挡程度服装图像的误分割现象,能提取出更精确的服装实例,其对遮挡服装图像的平均分割精度比原模型提升了4.4%。

基于深度学习的三维人脸重建抗遮挡网络

对人脸单遮挡模型和人脸多遮挡模型进行了研究,提出了一种基于深度学习的三维人脸重建抗遮挡网络,实现了对遮挡人脸的有效重建。改进的单遮挡模型通过预训练和权重的修改有效地实现了人脸图像上下文信息的捕获。改进的多遮挡模型通过特征扭曲和变换,使用分布的损失函数和不同的微分器得出重建的人脸图像。实验结果表明,提出的方法能够在多种遮挡情况下生成更为准确的三维人脸模型,具有更好的鲁棒性和抗遮挡能力。

基于红外相机和毫米波雷达融合的烟雾遮挡无人驾驶车辆目标检测与跟踪

战场环境下无人驾驶车辆的感知系统易受烟雾、扬尘等天气的影响,对关键目标的检测与跟踪能力大大下降,造成目标漏检、目标误检、目标丢失等严重后果。针对该问题,开发毫米波雷达和红外相机融合系统,采用目标级融合方式建立简洁有效的融合规则,提炼和组合各传感器的优势信息,最终输出稳定的目标感知结果。对毫米波雷达的目标进行有效性检验和提取,并提出改进的基于密度的含噪声空间聚类应用算法,以减少毫米波雷达噪音干扰。以YOLOv4网络为基础,引入MobileNetv2主干网络,在网络训练过程中运用迁移学习方法,同时对红外数据样本进行扩充,解决了红外图像训练样本少的问题。试验结果表明,相较于仅基于红外相机的算法,融合检测算法在烟雾环境下的精度显著提升,且算法实时性高,实现了烟雾环境下毫米波雷达与红外相机融合的目标检测与跟踪,提高了无人驾驶车辆目标检测与跟踪系统的抗烟雾干扰能力。

遮挡条件下多视角甜椒果实点云三维重构方法

为进行表型原位自动化测量,实现甜椒数字化育种和管理,针对原位果实表型测量中的目标遮挡问题,提出一种多视角甜椒果实点云的三维重构方法。通过虚拟叶片的方法,创建增强数据集,建立基于YOLO v5算法的甜椒果实识别模型,实现对不同遮挡程度果实的识别,同时,构建考虑果实位置与遮挡程度的果实表型采集算法,实现多视角的果实三维数据采集。最后,配准甜椒果实三维点云,提取甜椒表型参数,并通过温室甜椒果实表型,对点云重构方法的有效性进行验证。相较手动测量数据,果实果宽平均相对误差为1.72%,果高平均相对误差为1.60%。试验结果表明,本文所提出的甜椒原位表型点云重构方法,可为遮挡条件下作物表型提供有效的解决思路和可行方法。

远距离和遮挡下三维目标检测算法研究

针对现有三维目标检测算法对存在遮挡及距离较远目标检测效果差的问题,以基于点云的三维目标检测算法(3D object proposal generation and detection from point cloud,PointRCNN)为基础,对网络进行改进,提高三维目标检测精度。对区域生成网络(region proposal network,RPN)获取的提议区域(region of interest,ROI)体素化处理,同时构建不同尺度的区域金字塔来捕获更加广泛的兴趣点;加入点云Transformer模块来增强对网格中心点局部特征的学习;在网络中加入球查询半径预测模块,使得模型可以根据点云密度自适应调整球查询的范围。最后,对所提算法的有效性进行了试验验证,在KITTI数据集下对模型的性能进行评估测试,同时设计相应的消融试验验证模型中各模块的有效性。

基于姿态引导特征增强的遮挡行人重识别

为解决遮挡行人重识别在特征提取过程中的特征丢失、特征匹配过程中的噪声干扰问题,提出了一种姿态引导的特征增强模型。首先,在关键点信息的辅助下,设计一种对称区域特征修复模块,将被遮挡区域丢失的局部特征替换为未遮挡区域的局部特征;其次,为挖掘局部特征的内在语义联系,设计一种相邻区域特征补偿模块,通过相邻区域特征修正局部特征表示;最后,通过引入广义均值池化对特征图的中心区域再次进行特征提取,提升行人特征向量的表达能力,以获得更加准确的全局特征。仿真实验表明,该模型在常见的全身数据集、半身数据集和遮挡数据集的Rank-1和mAP均优于绝大部分算法,其中在遮挡数据集Occluded-Duke、Occluded-REID上的Rank-1分别达到了56.7%和72.4%。

基于稠密连接的通道混合式PCANet的低分辨率有遮挡人脸识别

针对低分辨率有遮挡人脸识别问题提出了基于稠密连接的通道混合式主成分分析网络(DCH-PCANet)。现有的PCANet模型的卷积层只使用了通道无关式卷积(CIC)。通道无关式卷积由于未考虑特征图在通道方向上的相关性,可以更好地凸显单个特征图的局部纹理特征,对于补偿因低分辨率、遮挡等因素导致的特征损失具有重要意义,但也会强化遮挡区域的特征,从而放大坏特征的影响范围;而通道相关式卷积(CDC)由于充分考虑了各特征图在通道方向上的相关性,可以较好地抑制坏特征的作用,形成较为稀疏的特征图。在PCANet中添加了基于通道相关式卷积的特征图提取分支,形成了通道混合式PCANet;并且引入了稠密连接,以充分利用低阶特征提升有遮挡图像识别的鲁棒性。针对如下4种数据集进行了实验:受控环境、真实遮挡和模拟低分辨率的人脸数据集(AR人脸数据集),非受控环境、真实遮挡和模拟低分辨率的人脸数据集(MFR2和PKUMasked-Face),非受控环境、真实遮挡和真实低分辨率的人脸数据集(自建数据集)。实验结果表明,与现有方法相比,所提出的基于稠密连接的通道混合式PCANet具更好的遮挡鲁棒性和低分辨率鲁棒性,可以作为前沿方法的有效补充,提升其识别性能。

建筑间遮挡对光伏发电系统输出功率影响的研究

城市建筑屋顶的光伏发电利用潜力与其遮挡条件密切相关。因此,仅根据太阳辐照度评估城市建筑屋顶光伏发电利用潜力,未考虑城市建筑之间的相互遮挡因素,会导致一些情景下的评估结果偏大。为了准确评估城市建筑屋顶光伏发电利用潜力,采用建筑相对朝向、容积面积比及建筑群垂直和水平分布这3个城市形态参数作为预测变量,采用3D建筑模型进行实验,模拟不同形态建筑遮挡,获得多组有效实验数据,对城市不同形态建筑间的遮挡系数进行了量化分析;借助数据统计分析软件SPSS对多组实验数据完成统计分析后,建立了建筑群预测遮挡统计模型,并以长沙市某小区为例对该统计模型的适用性进行了验证,预测了该小区不同情景下的建筑屋顶光伏发电利用潜力。结果显示:利用该统计模型可得到被遮挡建筑的阴影遮挡水平,从而能更好地利用建筑屋顶光伏发电。研究结果提供了一种量化城市屋顶光伏组件遮挡系数的方法,对实现光伏建筑一体化和可持续城市发展有推进作用,可在城市区域建筑规划阶段模拟和预测屋顶遮挡情况。

基于分割和多级掩膜学习的遮挡人脸识别方法

现有的人脸识别方法无法有效消除遮挡造成的损坏特征的影响,随着网络层数加深,损坏特征与用于身份分类的有效特征变得难以分离,影响识别结果。针对上述问题,设计了一种基于分割和多级掩膜学习策略的遮挡人脸识别方法,模型由遮挡检测分割、特征提取、掩膜学习单元三大模块构成,无需依赖额外的遮挡检测器,且无论训练还是测试都只需要一次端到端的过程即可同时学习特征掩膜和深度抗遮挡特征。掩膜学习单元以不同尺寸的遮挡分割表示和不同阶段的人脸特征为输入,为特征提取的不同阶段生成对应的掩膜,通过掩膜运算在特征提取的各阶段有效消除遮挡造成的损坏特征的影响,最终构建特征金字塔融合各阶段特征进行身份分类。实验结果表明该方法可有效提高遮挡人脸识别的准确率,在经过遮挡处理的LFW数据集以及真实的口罩遮挡数据集MFR2、Mask_whn上的准确率分别达到了98.77%、96.70%、81.53%,与现有的主流方法相比分别提升了2.04、0.48、4.44个百分点。

基于CamShift与Kalman相结合的目标跟踪算法研究

目标跟踪是机器视觉领域的一项重要技术。传统的CamShift目标跟踪算法具有时间复杂度低、运算速度快的优点,在简单背景下具有良好的跟踪效果。但当跟踪目标处于部分遮挡的复杂情况下时,容易出现目标丢失的情况,从而影响后续的跟踪。Kalman滤波算法在目标跟踪任务中,能够有效地预测跟踪目标下一时刻可能出现的位置,且算法简单方便。现将CamShift算法与Kalman滤波算法相结合来优化传统的CamShift算法,实验结果表明:优化后的算法不但保留了传统CamShift算法的优点,而且在一定程度上可以预测跟踪目标的行动轨迹,更好地实现目标跟踪任务,解决了传统CamShift算法在目标被部分遮挡的情况下容易出现的目标丢失的情况;同时,运算结果准确,基本没有预测误差。

适应遮挡条件下奶油生菜的实例分割方法研究

利用机器视觉技术测量生菜的表型参数对探索生菜的生长规律有着非常重要的意义,而构建生菜个体的识别及轮廓分割算法是实现表型参数精准测量的重要前提;但是,在生菜培育至采收期,俯视图下生菜个体间叶片相互重叠遮挡,对个体识别和轮廓分割造成很大的阻碍。为此,改进了Mask R-CNN神经网络模型,掩膜分支采用class-agnostic模式,以ResNeXt50联合FPN替换原有的卷积主干,实现了遮挡条件下奶油生菜的个体识别和轮廓分割。为了对改进模型的分割精度进行验证分析,采用平均精度AP75和平均检测耗时作为评价指标,与原始Mask R-CNN、DeepMask、MNC分割模型在不同程度遮挡测试集上设置对比试验。结果表明:改进模型的平均精度达到98.7%,相比原模型提高了约4%,且在重度遮挡测试集上依然能够保持良好的分割精度。研究结果可为遮挡条件下植物叶片的识别和分割提供算法参考,也可为奶油生菜的表型参数提取提供技术支持。

一种多特征联合分布的Camshift目标跟踪算法

针对Camshift算法在纹理与颜色相似干扰、目标遮挡等复杂背景中鲁棒性不高、易出现跟踪丢失等问题,提出了一种多特征联合分布的Camshift目标跟踪算法。新的算法选择等价模式LBP纹理,色调与饱和度为多特征,图像从RGB空间的转化为ULBP-H-S空间。选取图像中运动目标作为目标模板,计算目标模板的ULBP-H联合概率分布图与H-S联合概率分布图,通过自适应系数将两个联合概率分布图按位与运算后到目标的联合概率分布图。在每次迭代搜索中,通过自适应搜索窗口算法预测下一帧的搜索窗口位置与大小,在预测的搜索窗口中使用Camshift算法对目标连续跟踪。实验结果表明,改进的算法能在纹理与颜色相似干扰与目标遮挡复杂环境中,对运动目标跟踪有较高的准确性与鲁棒性。

遮挡环境下基于航海雷达的舰船目标跟踪方法研究

[目的]针对无人艇平台航海雷达在舰船目标跟踪中因障碍物遮挡而造成的目标航迹断裂问题,需综合利用环境先验信息,以提高雷达探测受限时目标跟踪航迹的连续性。[方法]通过提出遮挡环境下的综合概率数据互联(IPDA)算法,即O-IPDA,对环境遮挡情况进行实时预判;在遮挡环境中通过采用低检测概率和针对性设计的存在状态概率转移矩阵,以维持目标跟踪的连续性。[结果]在单目标跟踪场景中,当目标被暂时遮挡时,O-IPDA可以避免目标因持续性漏检而丢失,以保持跟踪航迹的稳定性,其中算法的抗遮挡能力取决于O-IPDA存在状态概率转移矩阵中的相关参数设置。[结论]O-IPDA目标跟踪方法具有一定的抗遮挡能力,可为航海雷达单目标跟踪研究提供参考。

姿态引导与特征增强结合的遮挡行人重识别

为解决现有遮挡行人重识别方法只注重于引入外部信息而忽略特征增强的问题,提出一种姿态引导与特征增强结合的遮挡行人重识别方法。将小步幅的滑动窗口引入VIT(Vision-Transformer),使网络获取局部的细微特征,将特征经过遮挡消除模块,消除遮挡带来的干扰;在模型中融入人体姿态估计网络,辅助模型解决遮挡带来的语义信息缺失问题;通过CBN模块提高模型的学习能力,使模型学习到更多高级语义信息。在遮挡行人重识别主流数据集Occluded-DukeMTMC上达到69.8%的Rank-1准确率以及63.2%的mAP,优于现有的其它方法,在整体行人重识别数据集上也取得了具有竞争力的结果。

高精度抗遮挡的四目相机三维重建系统

多目相机用于三维重建能够提升精度,克服遮挡,可多方位获取目标的三维位置。为了更准确地恢复目标在空间中的分布情况,介绍了一种汇聚式四目相机三维重建系统。设计和搭建了围绕目标场景均匀分布四相机的重建平台,立体标定出相邻相机的相对位姿后,借助坐标系变换,获取每个相机在统一坐标系中的位置和姿态,并用传递次数最多的机位进行检验。检验结果表明,测量出的位姿与经过传递推导的位姿一致。对66×65阵列的棋盘标靶进行重建,在45 mm范围内最大相对误差为0.061%;与拟合结果相比较,均方根误差为0.319 3μm。使用金属块进行重建实验,能够通过其顶点恢复出形貌。实验结果表明,该装置能够用于高精度抗遮挡的三维重建系统中。

改进YOLOv5的光伏组件热斑及遮挡小目标检测

热斑会严重影响光伏组件发电效率,利用红外光图像检测热斑,难以同时实现树叶、鸟粪等小型异物遮挡的有效识别,及时发现和清理异物可以有效降低因受到持续遮挡而引起的热斑。为实现对热斑更加全面的识别和处理,基于无人机巡检可见光和红外光视频图像尺寸及检测任务特点,结合K-means++算法与IoU指标改进了YOLOv5的锚框设定方案以改善结果的随机性;可见光场景中,针对遮挡物体较小导致难以检测的问题,在YOLOv5s6的主干网络中嵌入坐标注意力机制(coordinate attention,CA),设计了遮挡小目标检测模型(CA-YOLOv5s6);红外光场景中,热斑区域较为明显,选择轻量化网络YOLOv5n作为其检测模型。实验结果显示:相较于YOLOv5s6,CA-YOLOv5s6的mAP提升了2.97个百分点,达到83.78%,Parameters减少了4.8×10^(5),达到1.18×10^(7),有效地提高了遮挡小目标的检测精度;YOLOv5n模型的mAP、FPS、Parameters分别为93.31%、83.3、1.76×10^(6),可以更好地满足红外图像热斑检测的任务需求。

局部加全局视角遮挡人脸表情识别方法

实际场景中各种遮挡增加了表情识别难度。为此,提出一种滑块局部加权卷积注意力和全局注意力池化的视觉Transformer结合的方法来解决遮挡问题。利用主干网络提取表情特征图,将表情特征图裁剪成多个区域块,利用局部Patch注意力单元通过自适应计算局部特征的注意力权重来感知被遮挡的区域,提取表情局部特征。同时,表情特征图转换成Patch块,通过Patch级和Token级注意力池化的视觉Transformer,从全局角度捕获Patch块之间的相互作用和相关性。引导模型强调最具区别性的特征,而忽略遮挡减少不相关特征的影响。在三个表情数据集及其遮挡子集和一个遮挡数据集上进行实验,结果表明所提模型在遮挡表情识别上优于现有方法。

基于跟踪检测时序特征融合的视频遮挡目标分割方法

视频实例分割是近年来兴起的一项在图像实例分割基础上引入时序特性的视觉任务,旨在同时对每一帧的目标进行分割并实现帧间的目标跟踪。移动互联网和人工智能的迅猛发展产生了大量的视频数据,但由于拍摄角度、快速运动和部分遮挡等,视频中的物体往往会出现分裂或模糊的情况,使得从视频数据中准确地分割目标并对目标进行处理和分析面临着重大挑战。经查阅和实践发现,现有的视频实例分割方法在遮挡情况下的表现较差。针对上述问题,提出了一种改进的遮挡视频实例分割算法——通过融合Transformer和跟踪检测的时序特征来改善分割性能。为增强网络对空间位置信息的学习能力,该算法将时间维度引入Transformer网络中,并考虑到视频中目标检测、跟踪和分割之间的相互依赖和促进关系,提出了一种能够有效地聚合目标在视频中的跟踪偏移的融合跟踪模块和检测时序特征模块,提升了遮挡环境下的目标分割性能。通过在OVIS和YouTube-VIS数据集上进行的实验,验证了所提方法的有效性。相比当前的基准方法,该方法展现出了更好的分割精度,进一步证明了其优越性。