复杂背景下基于YOLOv7-tiny的图像目标检测算法

“黑飞”无人机一旦带有炸弹等物品,会对人们带来威胁。对在公园、游乐场、学校等复杂背景下“黑飞”的无人机进行目标检测是十分必要的。前沿算法YOLOv7-tiny属于轻量级网络,具有更小的网络结构和参数,更适合检测小目标,但在识别小目标无人机时出现特征提取能力弱、回归损失大、检测精度低的问题;针对此问题,提出了一种基于YOLOv7-tiny改进的无人机图像目标检测算法YOLOv7-drone。首先,建立无人机图像数据集;其次,设计一种新的注意力机制模块SMSE嵌入到特征提取网络中,增强对复杂背景下无人机目标的关注度;然后,在主干网络中融入RFB结构,扩大特征层的感受野,丰富特征信息以增强特征提取的鲁棒性;然后,改进网络中的特征融合机制,通过新增小目标检测层,增加对小尺度目标的检测精度;然后,改变损失函数提高模型的收敛速度,减少损失以增强模型的鲁棒性;最后,引入可变形卷积(Deformable convolution, DCN),更好的根据目标本身形状进行特征提取,提升了检测精度。在PASCAL VOC公共数据集上进行对比实验,结果表明改进后的算法YOLO7-drone相比于YOLOv7-tiny,平均精度(map@0.5)提升了6%;在自制无人机数据集上进行实验,结果表明YOLOv7-drone与原算法相比,平均精度(map@0.5)提高了6.1%,并且检测速度为72帧/s;与YOLOv5l、YOLOv7目标检测算法进行对比实验,结果表明改进后的算法在平均精度(map@0.5)上分别高于对比算法4%、3.1%,验证了文中算法的可行性。

ACCURATE DETECTION OF HIGH-SPEED MULTI-TARGET VIDEO SEQUENCES MOTION REGIONS BASED ON RECONSTRUCTED BACKGROUND DIFFERENCE

The paper first discusses shortcomings of classical adjacent-frame difference. Sec ondly, based on the image energy and high order statistic(HOS) theory, background reconstruction constraints are setup. Under the help of block-processing technology, background is reconstructed quickly. Finally, background difference is used to detect motion regions instead of adjacent frame difference. The DSP based platform tests indicate the background can be recovered losslessly in about one second, and moving regions are not influenced by moving target speeds. The algorithm has important usage both in theory and applications.

一种基于目标与背景特征分离模型的高光谱目标检测修正算法

高光谱图像立方体数据可以提供成像场景中地物在可见光和近红外波长范围内的空间信息和地物属性诊断的光谱特征信息,在目标检测与识别方面拥有得天独厚的天然优势。然而,基于高光谱图像数据的目标检测也存在一定缺陷,如经典的高光谱目标检测算法仅利用光谱维度信息检测目标,检测模型要么对背景高维特征矩阵构建的准确度不足,要么对背景先验光谱特征的完备性要求较高,导致算法对不同复杂度的检测场景适应性不强。因此,基于计算复杂度较低、参数需求量较少且检测性能较为优异的经典多目标检测算法—多目标约束能量最小化(MCEM),提出了一种基于目标与背景环境特征分离模型的高光谱目标检测修正算法(R-MCEM)。首先,设计了一个与目标形状、尺寸相近的逐像元移动运算窗口,依次计算窗口中的每个像元与窗口内其他像元的光谱距离之和D1,像元与各类目标的光谱距离之和D2。其次,采用获得D1/D2最小值的像元替换窗口内的所有像元值。然后,自左向右、自上而下逐像元移动窗口,重复窗口内每一个像元与目标、背景像元的光谱距离运算,并确定窗口内与背景相似度最高、与目标相似度最低的像元。直到移动运算窗口遍历整个高光谱图像,大幅提升了基于目标与背景环境特征分离的背景高维特征矩阵准确度。分别设计了基于实测高光谱图像数据和模拟图像数据的修正检测算法性能验证试验,并采用三维操作特征曲线(3D ROC)结合目标与背景分离度(SDBT)开展修正算法的检测精度评估。试验结果表明,提出的修正算法有效减少了虚警率,提高了检测精度。基于实测数据的检测精度、目标与背景分离度由MCEM算法的0.937 7、 0.57提升到R-MCEM的0.993 5、 0.67,基于模拟数据的亚像元检测能力由MCEM的20%丰度提升到R-MCEM的15%丰度。

基于数据驱动的红外弱小机动目标检测与跟踪

针对复杂背景下红外弱小目标检测跟踪中目标特征缺失、强杂波干扰等问题,基于多帧的处理方法引入了目标运动特征来提升性能,然而针对无人机等新型强机动目标,现有的基于机理模型的多帧处理方法难以覆盖其复杂多变的运动形态,导致其检测跟踪的效果并不理想。对此,以多帧的处理方法为基础框架,提出了一种复杂背景下基于数据驱动的红外弱小机动目标检测跟踪方法:首先采用MPCM算法对弱小目标进行增强;其次将多帧的增强结果投影到二维子空间,构建基于YOLO的二维轨迹检测模型;最后将二维检测结果进行三维时空回溯,构建基于LSTM的三维轨迹检测模型。构建检测模型时,在实测图像的基础上进行了数据增广,使得训练样本尽量覆盖目标的各种运动形态;在二维子空间上,利用高性能YOLO检测网络,快速剔除大量杂波;在三维时空上,利用LSTM时序网络对少量难剔除的杂波进行精细化筛除。与多种算法的对比实验结果表明,所提方法在耗时上能满足实时性要求,同时,在多个场景下的平均跟踪精度能达到86.6%,虚警率仅有9.2%,ROC曲线下的AUC值能达到0.9820。

稀疏约束与时间一致的背景感知相关滤波目标跟踪

背景感知滤波算法通过循环移位采集真实负样本,有效解决了边界效应.但在复杂场景例如遮挡、快速移动、背景干扰等,其较大的采样区域导致过多背景在杂波干扰,从而影响跟踪效果.针对这一问题,本文首先提取灰度HOG特征与颜色CN特征来提高目标外观模型,在基准目标函数基础上引入L1稀疏正则约束形成弹性网络以自适应筛选关键特征,增强滤波器在复杂背景下的判别能力.同时针对BACF在跟踪过程中目标快速变化,本文引入时间正则项提高滤波器抑制畸变的能力.最后,本文提出了一种独立的尺度滤波器算法,准确提供目标尺度大小.实验仿真结果表明,在公开数据集OTB-2013和OTB-2015上,本文算法较基准算法有很大提升,能够较好应对不同复杂场景下的跟踪难题.

利用局部特征匹配的运动小目标光流估计

基于深度光流估计的动态背景运动小目标检测,为了保证小目标的检测性能,一般采用较少的下采样次数以维持较高的分辨率,但由此带来了较大的计算耗时。特征匹配是深度光流估计的一个核心处理环节,其耗时在光流估计整体耗时中的占比较大,且对下采样次数非常敏感。据此,提出一种基于局部特征匹配的快速光流估计算法:引入目标运动信息,缩小特征匹配的空间范围,减少待处理的数据量;设计分块局部匹配策略,引入批处理机制,避免出现逐点局部匹配策略数据处理耗时过大问题,实现算法加速。在此基础上,在光流估计获取的光流场上,采用CenterNet网络检测运动目标对应的光流异常区域。从光流估计耗时、检测精度等方面开展了实验验证,结果表明:针对运动小目标检测,分块特征匹配光流估计比全局特征匹配光流估计耗时减少约25%,目标检测性能相当。

基于结构相似度和鲁棒主成分分析的运动目标检测

运动目标传统检测方法只考虑图像的亮度或纹理等某一种特性,受特异值影响较大,对噪声比较敏感,鲁棒性也不够好,而且背景恢复精度不高。针对以上局限性,提出一种融合结构相似度(structural similarity,SSIM)全参考模型和鲁棒主成分分析(robust principal component analysis,RPCA)的运动目标检测方法。此方法综合考虑图像的亮度、对比度和结构三种特性,不采用传统的背景减除法,而是把图像像素点的结构相似度作为度量来实现运动对象与背景的分离。实验结果表明,此方法准确率可达0.95,且F度量较传统运动目标检测算法平均提升0.15,总体上比传统方法更具优势。

双层协同结构改进的高光谱异常检测算法

在高光谱目标检测领域,基于协同表示的算法展现出优异的性能,但其一直存在异常点对背景字典的污染问题,这一定程度上影响了算法的检测性能。本文提出了一种改进的协同表示高光谱异常检测算法,设计了双层协同表示结构,首先利用第一层协同表示算法将大部分异常点检出,并用其邻域进行背景纯化,剔除已检出的异常点对背景字典的污染,然后用纯化的背景字典来预测背景,进而在第二层采用协同表示进行异常检测。仿真试验表明,通过简单的双层协同表示结构可以有效地减轻异常点对背景污染的问题。该算法的检测性能相对基础的协同表示算法有显著的提升,与现有的算法对比,具有相对较好的检测效果。

公共区域监控视频运动目标跟踪系统设计

公共监控区域中的运动目标在运动方向和运动速度方面具有一定的随机性,这增加了目标跟踪难度。为了提升运动目标的跟踪性能,设计了公共区域监控视频运动目标跟踪系统。通过设计系统总体框架,确定了系统工作流程;基于建立的总体框架完成了系统各个硬件模块的设计,并着重设计了系统检测跟踪模块,使用Kalman滤波算法预测视频运动目标状态辅助该模块完成目标的精准跟踪;依据系统工作流程完成了系统的软件流程设计;结合系统的硬件、软件设计实现对公共区域的视频运动目标检测跟踪。实验结果表明,设计系统在跟踪公共区域的视频运动目标时,跟踪时间短、跟踪精度高、检测跟踪性能高。

基于双重增强局部对比度的红外小目标检测

红外探测具有穿透力强、探测距离远和隐蔽性好等特点,在红外小目标检测领域应用广泛。本文基于人类视觉机制的局部对比度方法,提出一种基于双重增强局部对比度的红外小目标检测方法,先以局部灰度均值对比度对噪声和背景进行抑制,再由相对灰度梯度和局部方差对比结合对目标进行增强,最终采用阈值分割的方式实现红外小目标的检测。算法对不同天空场景序列目标均有较高的检测率和较低的虚警率,前者最高可达100%,后者为0;且相同复杂场景的目标检测性能相比其他同类方法明显提高,信杂比增益与背景抑制因子也显著提升,目标检测性能优异。

可见光-红外目标与背景温差特性研究

由于陆地背景环境复杂,单一非制冷红外稳瞄跟踪装置在应用中存在目标识别、跟踪可靠度不高的不足。为解决该问题,首先对典型地面目标与背景的温差特性以及背景环境对红外成像的影响规律进行研究,在此基础上设计具有红外通道和电视通道的复合稳瞄跟踪装置方案,通过对比复合稳瞄跟踪装置与单一红外稳瞄跟踪装置的成像性能,分析复合稳瞄跟踪装置的可行性。背景环境对红外成像的影响规律为:在清晨/傍晚时段,目标与地面温差不足(小于5 K),红外图像存在目标对比度低、信噪比不足的缺陷;正午时段,红外图像存在目标完全淹没在背景中的缺陷。设计的具有红外通道和电视通道的复合稳瞄跟踪装置,电视通道对红外通道的成像质量影响较小(红外通道实际通光量相对减少不到5%),在地面背景红外辐射噪声干扰大的情况下电视通道成像清晰,在目标温差足够的情况下,红外通道成像清晰,验证了红外-电视稳瞄跟踪装置总体方案的可行性;红外-电视复合稳瞄跟踪装置的两个通道形成了良好的互补关系,能够显著拓展稳瞄跟踪装置的适用范围。

基于YOLOv5s-AntiUAV的反无人机目标检测算法研究

随着无人机的应用领域不断拓展,无人机的“黑飞”给公共安全造成严重损害。为解决侵入式无人机小目标在复杂飞行环境下的错检和漏检问题,提出基于YOLOv5s-AntiUAV的反无人机目标检测算法。首先,引入结合深度超参数卷积的Slim-Neck范式,增强算法特征提取能力并保持计算效率。其次,在骨干和颈部网络引入SPD-Conv模块,提高在低分辨率图像中小目标的检测性能。最后,用Alpha-CIoU替换YOLOv5s算法中的CIoU,增强算法泛用性。YOLOv5s-AntiUAV算法与YOLOv5s、SSD和Faster R-CNN算法在数据集Anti-UAV上的对比实验结果表明,改进算法的mAP@0.5值分别增长了1.1、12.1和4.9个百分点,凸显其实用性。由在VisDrone2019数据集上进行的迁移实验显示,相较于YOLOv5s算法,改进算法mAP@0.5值提升了4.5个百分点,表明其相较于原算法具有更强的鲁棒性。

复杂背景下红外弱小运动目标检测半仿真数据集

红外弱小运动目标检测是空中红外探测的核心技术之一,且一直是光电探测领域研究的热点问题,尤其是复杂背景下弱小运动目标检测,尚缺乏有效的技术解决途径。针对当前红外弱小运动目标检测领域数据规模小、场景类型丰富程度不足的问题,本数据集面向空中红外探测设备远距离探测空中飞行目标应用,借助小型无人机平台搭载红外探测设备,通过实地拍摄、数据加工及仿真目标嵌入处理等,提供了一套数据规模大、场景类型丰富的复杂背景下红外弱小运动目标检测半仿真数据集。图像数据采集中设置多种实验条件,以求尽可能地全方位模拟典型应用场景:为体现探测平台与目标的相对高度,设置了仰视、平视和俯视三种拍摄视角;为模拟不同场景类型,数据集获取场景涵盖了天空、水面、植被、建筑物等多种场景;为模拟被探测目标不同运动情况,数据集中采用分段拟合的方式,设置了不同复杂程度的目标运动轨迹;本数据集仿真了不同灰度分布、不同信号强度的弱小运动目标,并高质量地嵌入图像背景中。本数据集共计350段数据、150185帧图像,标注文件中给出目标坐标位置的详细标注信息。本数据集可为复杂背景下红外弱小运动目标检测、跟踪等研究提供基础数据。

反向目标干扰的图像数据增强

混合样本数据增强方法只注重模型对于图像所属类别的正向表达,而忽略图像是否属于某一类别的反向判定.为了解决描述图像类别方式单一而影响模型性能的问题,提出一种反向目标干扰的图像数据增强方法.该方法增加图像背景及目标的多样性,防止网络模型过拟合.其次采用反向学习机制,让网络模型在正确辨别原图像所属类别的同时,对填充图像不属于该类别的属性进行充分学习,从而增强网络模型对原图像所属类别辨识的置信度.最后,为验证该方法的有效性,使用不同的网络模型在CIFAR-10、CIFAR-100等5个数据集上进行大量实验.实验结果表明,本文方法与其他先进的数据增强方法相比较,可以显著提高模型在复杂背景下的学习效果和泛化能力.

基于复杂背景的多尺度特征融合手-物交互检测方法

针对手与物体在交互过程中不同场景的背景噪声、光照变化等复杂背景,以及手-物相互遮挡、分辨率低等问题对手-物交互检测精度的影响,提出采用一种两阶段的多尺度特征融合手-物交互检测方法。首先,引入基于特征金字塔的残差网络Resnet50作为特征提取主干网络,实现深层语义信息和浅层细节特征的多尺度融合,提高小目标检测的精度;然后,利用检测到的手部区域与物体区域的几何信息来判断是否交互,过滤非交互的物体;最后,在大规模的室内外包括11个类别的手接触物体的人类互动视频帧数据集进行实验,提高网络的泛化性能。实验结果表明,本文所提方法和两阶检测方法相比,在提高检测精度的同时没有增加网络模型复杂度,同时在数据集不同类别的检测精度相对稳定,有效提升了网络的泛化性能。

融合两帧差分法的改进视觉背景提取算法

针对视觉背景提取(visual background extractor,ViBe)算法在运动目标检测过程中容易受到噪声干扰的问题,将两帧差分法融入ViBe的前景检测阶段,提出一种融合两帧差分信息的改进ViBe算法(ViBe with two-frame differencing,ViBe-TD)。首先,设计单阈值形ViBe(single-threshold form of ViBe,S-ViBe)检测,为信息融合做准备;其次,基于逻辑斯蒂(logistic)回归模型,实现像素点上两帧差分和S-ViBe检测信息的融合;最后,综合两类检测信息完成前景像素点的判定。实验结果表明,ViBe-TD算法在4种不同场景视频上的检测效果达到了0.932的平均精确率,0.785的平均召回率以及0.842的平均F 1值。与原算法相比,ViBe-TD算法的各项指标平均有0.158的提高,具有良好的检测效果。

污染地块土壤砷修复目标值确定方法研究

修复目标值的确定是污染地块环境监管的重要环节,通常基于风险评估方法计算风险控制值来确定。而对于砷污染地块,采用HJ25.3—2019《建设用地土壤污染风险评估技术导则》推荐模型和参数推算得到的修复目标值往往低于土壤砷环境背景值,难以满足监管需求。系统梳理了国内外污染地块土壤砷修复目标值确定方法,探讨了基于土壤环境标准值、传统风险评估、层次化风险评估、等效风险评估及土壤砷环境背景值修正方法的实现路径与实践应用。结合我国污染地块监管策略和砷污染地块开发再利用现状,提出了基于土壤环境背景值、层次化风险评估和生物可给性相关参数修正的土壤砷修复目标值确定方法,旨在为我国砷污染地块的修复和再利用提供更加科学合理的方案。

基于ST-YOLOv7的无人机视角下行人及车辆识别

由于无人机视角下的背景复杂,识别的目标多为远距离小目标,因此容易导致漏检及误检问题。为了实现无人机视角下对行人及车辆高精度识别,提出了以YOLOv7网络模型为基础的ST-YOLOv7算法,主干网络中融合了Swin Transform模块,构建复杂背景与小目标的全局关系,融入SENet通道注意力机制,为不同通道的特征分配不同权重,增强小目标特征的捕捉,在头部网络中,加入了YOLOv5网络中的C3模块,增加网络的深度和感受野,提高特征提取的能力,增加了1个小目标检测层,进一步提升对小目标识别的精度。实验证明:ST-YOLOv7网络模型在自制的航拍数据集中对行人的识别精度高达83.4%,对数据集中的车辆的识别精度达到了89.3%。均优于YOLOv5和YOLOv7目标检测算法,以较小的效率损失取得了较高精度。

基于背景抑制和分类校正的小样本目标检测方法

为进一步提升小样本条件下对空中来袭目标的检测识别成功率,提出一种基于背景抑制和分类校正的小样本目标检测方法。首先,针对空中来袭目标背景前景易混淆问题,在区域候选网络前端引入背景抑制模块,通过抑制背景特征和增强前景特征来减轻目标背景对检测的影响;其次,在背景抑制模块后插入特征聚合模块,聚焦目标特征,通过缓解小样本条件导致目标特征难提取、不明显的问题,校正网络模型的分类参数;最后,在检测头网络中引入对比分支,增强了类别内相似性和类别间独特性,缓解来袭目标“类间相似性高,类内差异性大”的问题,实现了对网络分类的进一步校正。实验结果表明,所提出的算法在1、2、3、5、10 shot实验中均表现最佳,平均精度分别达到28.3%、32.8%、39.9%、42.9%和56.2%,提升了小样本空中来袭目标的检测性能。

一种对称帧差分约束的车辆自适应分割算法

为实现交通视频车辆目标的准确检测,提升交通事故的预防效果,提出一种对称帧差分约束下的交通视频车辆分割算法。首先,采用对称差分思想将相邻的三帧连续图像进行两次差分,提出基于自适应分布数约束的混合高斯模型背景选择更新方法,采用跳跃度和稳定度两个视频图像参数判断某一像素是否属于虚假目标点,通过背景选择更新机制实现前景目标的检测,利用自适应分布数的混合高斯模型算法提高高斯混合模型的计算效率,实现道路前景目标的准确分离。其次,对于结果图像,利用车辆阴影的特征和车辆边缘信息,提出一种基于车辆边缘修正的阴影检测与去除算法,增强复杂背景的车辆分割检测特征;然后,对于运动车辆目标通过自适应阈值进行分割,本研究在考虑类间方差的同时,考虑视频前景目标类的内聚性,将其作为阈值选取的一个标准,采用“最大方差比”自适应阈值选取算法,同时对于静止车辆目标通过背景更新筛选进行分割。最后,试验结果和对比分析表明,本研究提出算法可以将不同交通状态的车辆目标较完整、准确地分割出来,有效提高了交通场景下的不同状态车辆目标检测精度。