多传感器融合的割草机器人障碍物检测方法

为了提高割草机器人自主作业时的环境感知能力,提出一种基于相机和低成本固态激光雷达融合的障碍物检测方法.首先,基于改进的DBSCAN聚类算法,得到一种可自适应确定聚类参数的KANN-DBSCAN算法,利用该算法对固态激光雷达采集到的三维点云聚类分析,得到障碍物点云并通过相机和固态激光雷达联合标定结果投影到二维图像上;其次,基于SSD目标检测网络完成障碍物样本训练,并对图像信息进行检测识别;最后,为了避免因光线不足或远距离雷达点云稀疏聚类困难,导致视觉或雷达检测性能受限,提出一种优势互补的目标级信息融合策略.试验结果表明:所提信息融合策略在融合两传感器检测结果的基础上,有效避免了环境条件改变单一传感器检测性能受限时,环境感知出现的漏检和误检,经过信息融合后的障碍物综合检出率约为87.5%,相较于单一传感器具有很大的提高,使环境感知信息更加全面可靠.

隧道环境内无人驾驶车辆目标决策两级信息融合感知策略

基于隧道内的特殊行驶环境和无人驾驶感知需求,选择合适的传感器及硬件搭建试验车辆,构建了毫米波雷达与摄像头多传感器融合的感知系统;基于YOLOv4目标级信息融合算法和改进D-S证据理论决策级信息融合算法,提出了一种“目标决策”两级信息融合策略;最后,在城市道路隧道环境内开展了感知信息两级融合验证试验,试验结果表明:相比单一的摄像头或毫米波雷达感知效果,基于摄像头与毫米波雷达传感器感知ROI区域关联实现的目标级融合结果可以提高9.51%的识别准确率,弥补了单一传感器在隧道环境内感知技术的不足;基于目标级融合感知结果,利用改进后的D-S证据理论算法再进行决策级融合,相比于单一的目标级融合结果,误检率降低了3.61%,显著提高了检测精度。采取多传感器感知信息目标决策两级融合策略能够满足隧道特殊环境内无人驾驶车辆可靠感知需求,为推动无人驾驶技术落地应用提供了理论与技术支撑。

改进YOLOv5s的轻量化航拍小目标检测算法

针对无人机航拍图像中小目标样本多、拍摄目标背景复杂、可提取特征信息少的问题,提出一种改进YOLOv5s的轻量化无人机航拍小目标检测算法。首先,改进算法网络结构,增加两条特征信息传播路径,跨层级连接避免特征损失,同时同级前后连接补充特征信息,并在特征融合过程中加入空间注意力机制,提高模型对小目标区域的关注程度,保留充足的目标特征信息;其次,针对数据集的特点,将骨干网络中低层小目标检测层融入到特征金字塔网络和路径聚合网络结构中,增加一个检测极小目标的头部;最后,在预测过程中引入SIoU Loss定位损失函数,进一步加快模型收敛速度,提升模型检测能力及定位精度。将该算法在VisDrone2019数据集上进行实验,结果表明,改进后的模型mAP50达到了38.5%,较基线方法 YOLOv5s提高了5.9百分点,同时与主流的检测方法相比也取得更高的检测精度,对于小目标检测任务具有较好的性能。

基于多特征的红外双波段目标检测融合算法

红外目标检测在军事领域和民用领域发挥着重要的作用,得到了广泛的研究,但对于利用双波段图像对目标进行检测的研究较少。为了充分发挥双波段图像在目标检测性能上的优势,对红外双波段图像的检测结果进行深入分析,提出了一种基于多特征的红外双波段目标检测融合算法。本文提出的融合算法,利用基于深度学习的多特征融合网络对双波段图像的检测结果进行处理,充分挖掘目标的特征信息,自适应地选择单波段的检测结果作为输出,得到最终的决策级融合检测结果。实验结果表明:与使用单波段图像进行目标检测相比,本文提出的基于多特征的红外双波段融合算法,可以有效利用不同波段的信息,提高检测性能,充分发挥红外目标探测设备的优势。

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。

信号层融合在慢动小目标检测中的应用

针对海上慢动小目标检测背景,提出了一种基于信号层融合的多雷达融合检测方法,并对实际应用中需要解决的问题进行了分析讨论。该方法利用目标和海杂波在不同频段下的统计性能差异,对多个雷达的观测信息在检测前进行融合,然后在相关域进行积累检测,与传统的检测方法相比,能够显著改善信号的信杂比,提高目标检测概率。

决策模板法在决策层融合目标识别中的应用和改进

决策模板法是一种简单直观的决策层融合识别算法,但是经典的决策模板法没有充分利用各传感器对于不同类目标鉴别能力的先验信息。本文提出利用传感器平均度量熵对决策模板法进行修正,合理度量各个传感器对不同类目标的分类鉴别能力,仿真结果表明改进的决策模板法能提高目标正确识别率。

决策层时空信息融合的神经网络模型研究

融合目标识别可以获得比任意单传感器更加准确的目标识别结果。决策层融合由于其在信息处理方面具有很高的灵活性,成为信息融合研究的一个热点。针对传统融合算法环境适应性较差的缺点,提出了一种决策层时空信息序贯融合的神经网络模型,讨论了利用各传感器所处环境和专家知识等先验信息确定网络初始权值的方法,研究了网络权值的在线学习算法。仿真实验证明该网络模型的有效性。

一种自适应模糊密度赋值的决策层融合目标识别算法

模糊积分是一种有效的决策层融合目标识别方法 .应用模糊积分进行融合的核心问题就是确定反映各传感器重要性的模糊密度 .目前确定模糊密度的方法主要有利用混淆矩阵或者采用遗传算法对模糊密度赋值 .这些方法在对模糊密度赋值时 ,利用的都是训练样本的先验静态信息 .本文提出了一种利用训练样本先验静态信息结合各传感器判决包含的动态信息对模糊密度进行自适应动态赋值的方法 .仿真实验结果表明该方法能得到更好的融合效果 .

融合多层级特征的遥感图像地面弱小目标检测

为解决遥感图像地面弱小目标检测中弱小目标信息量少、信息真假混杂的难题,本文提出一种融合多层级特征的遥感图像地面弱小目标检测算法CC-YOLO。该算法首先利用深度卷积神经网络逐级对目标图像进行特征提取,得到高低层特征空间金字塔图;然后,对空间金字塔图进行跨层级通道特征融合,结合新增的位置注意力机制CA,分别沿两个空间方向聚合特征,保留弱小目标精确的位置信息;最后,在聚合后生成的双支路特征图上进行端到端的目标检测,联合多通道检测信息输出检测结果。为解决算法实验中图像数据匮乏的问题,构建了遥感图像地面弱小目标数据集GDSTD。实验结果表明,算法AP;达到42.3%,AP;达到94.6%,检测速率FPS达到58.8帧/s,具有一定的鲁棒性和实时性。

基于互累积量的多雷达信号层融合检测

针对多雷达检测海上目标的研究背景,本文提出了一种新的基于互累积量的多带雷达信号层融合检测方法,该方法融合不同雷达的观测信息,对不同频带的雷达观测在统计相关域上进行积累,最后进行检测。仿真结果表明,与传统的融合检测方法相比,新方法能够显著提高融合处理后的信杂比,有效提高海上目标检测概率。

应用复值独立分量分析实现特征融合识别

介绍了复值独立分量分析(Complex ICA)的基本原理和算法,提出了基于复值独立分量分析的目标识别方法并将其应用于多传感器融合的目标识别中。该方法首先利用快速独立分量分析算法(FICA)对目标训练集图像进行ICA分解,然后分别提取基于独立分量的训练集和测试集目标特征,采用线性判据对训练集目标特征进行分类训练,找到合理的分类阈值,最后对测试集图像进行分类识别。在本文的实验条件下,提出的方法获得了92.1%的识别准确率,远优于传统ICA方法的78.1%和PCA方法的76.2%。

基于红外目标分割的图像融合方法研究

针对红外图像中目标图像灰度分布集中,微光图像灰度分布相对均匀的特点,提出了一种先提取红外图像中的热目标,然后以微光图像为背景进行图像融合的方法。实验结果表明,该方法在保留微光图像高空间分辨率和丰富纹理细节信息的同时,又突出了红外图像中的热目标。

基于改进HOG-LBP特征车前多目标分类仿真

针对城区复杂交通场景,提出一种基于改进的HOG-LBP融合特征的车辆前方多目标的分类方法。在特征提取阶段,将机器学习中常用的HOG特征和LBP特征结合,并对组合特征进行改进,在不影响检测精度的同时降低特征向量的维数,提高检测速度;分类器使用二叉树支持向量机,并根据各类目标的外形特征及其在车辆前方出现的概率,设计适用于“车辆-行人-非机动车-背景”这一多目标体系的多级分类方法。实验结果表明,上述方法能较好的实现车辆前方多目标分类。

双色红外图像目标多特征决策级融合识别算法

针对双色红外成像系统中的自动目标识别问题,提出了一种采用多特征多分类器决策级融合的目标识别算法。该算法首先提取目标的形状特征和面貌特征;接着基于各种不同特征设计多个分类器对目标进行分类;然后采用所设计的多分类器决策级融合策略对多个分类器的目标分类结果进行融合处理;最后采用所提出的决策规则对多分类器融合分类结果进行处理得到最终的目标识别结果。该算法充分利用了目标在多传感器图像中的多种分类特征信息,在较大程度上提高了系统的目标识别效率和精确性。实验结果证实了该算法的有效性。

面向目标识别的多特征图像融合技术综述

目标识别是计算机视觉领域重要的研究课题。图像融合由于能对信息进行多级别、多层次以及多方面的处理与综合,因此可以获得更为精确和更为可靠的信息。近年来,基于多特征融合的目标识别方法由于无需精密的图像配准,计算简便的优点得到研究者的重视。本文首先简要介绍了特征融合的基本原理和基本框架;然后梳理了特征融合的几类重要方法;最后,经过对前人工作的总结和分析,结合我们的工作,指出了现有算法的不足之处,并对今后研究中的发展方向和挑战提出了预测性的看法和建议。

局域网络信息系统特征级开源目标融合仿真

在局域网络信息系统中,信息都储存在开源目标节点上,信息量较少,难以精准的获取以及很难做出正确决策。为了收集更多的开源信息,做出准确判断,提出基于开源目标度量融合框架的局域网络信息系统特征级融合算法。将RMF框架作为特征级开源目标融合策略的理论基础,使上述算法具有可行性和鲁棒性。通过融合运算,使向量融合空间保存大量有效信息,通过特征级开源目标融合后,提高向量维度,以获得较为理想的目标数量和精度。分析仿真结果验证了所提方法的有效性与优越性,说明特征级开源目标融合,可以在局域网络信息系统中获取更多信息量,从而进行精准的决策。

一种基于图像融合的运动目标快速检测算法

提出了一种新的运动目标检测方法,这种方法可以有效的提取目标轮廓。应用一种图像差分技术得到运动目标的初始轮廓线。使用了动态轮廓线使其收敛到目标轮廓。提出了一种新的目标轮廓特征级融合方法,求解两类模式图像的收敛动态轮廓线控制点向量差的范数平方极小化。这种方法不需要图像配准降低了融合的计算复杂度,有效提高了可见光图像中目标轮廓提取的精度。对比检测实验证实了算法的有效性。设计了一种基于Newmark方法的动态轮廓线快速迭代算法,将该方法和方法作了比较,对比实验表明这种方法的时间复杂度降低了22%。

多分类器融合在水中目标识别中的应用

为了提高对水中目标的识别能力,研究使用DS证据理论对多分类器进行融合,论述以往确定BPA方法的优缺点,并在此基础上提出一种新的利用分类器性能和输出信任度来确定BPA的多分类器融合方法,实验证明这种方法在对水中目标进行识别问题中的优越性,为进一步研究分类器融合在目标识别中的应用提供参考。

目标增强的红外与微光图像融合算法

对于红外与微光图像融合,虽给为观察者提供了更多的图像信息,但是同时由于过多的背景信息反而掩盖了重要的目标信息,为了兼顾背景信息丰富和增强目标的需求,提出了一种新的目标增强的融合算法,首先改进了传统的顶帽变换算法,用来增强红外图像的目标信息,同时去除一些冗余的红外背景信息,然后利用人眼对颜色的敏感特性,将微光图像与红外图像通过色彩映射公式映射到相应的色彩空间进行融合,结果显示,该算法不但能提供丰富背景信息,同时也增强了重要的目标信息。