关键词： 多目标跟踪   Transformer结构   运动预测   高斯混合模型  

摘要： 针对视频中目标之间的遮挡会增加轨迹关联难度的问题,提出了一种高斯混合轨迹预测模型来改善遮挡情况下的关联效果.该模型采用Transformer结构,从对象的历史运动信息中提取更长的时间依赖性,以便更准确地预测跟踪对象在未来的轨迹分布;同时,将模型的输出设置为高斯混合分布,采用多个高斯分布相加来定义跟踪对象在未来的轨迹分布,以利用轨迹分布来计算检测目标和跟踪对象之间的空间相似性.实验结果表明:该模型能够改善跟踪性能,在MOT17数据集上HOTA达到了56.3%.

关键词： 图像处理   轮眉间隙   测量系统  

摘要： 为高效实现车辆轮眉测量,基于图像处理技术设计了一种非接触式车辆轮眉间隙测量系统,并利用MATLAB的图形用户界面(GUI)开发了相应的测量软件,验证结果表明,实际间隙不小于15 mm时,该系统在不同拍摄距离条件下计算得到的轮眉间隙误差均控制在2%以内,具有较高的测量精度。

关键词： 路侧停车   图像数据   目标检测   YOLOv5  

摘要： 针对现有路侧停车目标检测和识别方法在复杂场景中效率和精度的不足,提出了一种基于梯形卷积算法的优化方案,并将其集成至YOLOv5模型中。此算法通过选择性跳过部分不必要的卷积运算,减少了计算量,从而提升了模型推理效率。实验使用视频采集的图像数据集进行训练和验证,比较了传统卷积和梯形卷积在不同设备下的性能差异,改进后的模型在CPU环境下推理时间减少,且实现了较明显的速度提升。因此,算法能够在路侧停车场景中提高目标检测模型的实时性,为部署低成本高效率的智能交通系统提供了新方案。

关键词： YOLOv8算法   目标检测   AlphaPose姿态识别   作弊行为检测  

摘要： 在考试监控领域,深度学习技术的应用对于提高作弊检测的准确性和效率至关重要。结合YOLOv8算法和AlphaPose姿态识别模型,构建一个既能快速检测异常行为又能精准判断作弊行为的考试作弊行为检测系统。通过改进数据结构和优化网络结构,仅使用身体数据进行模型训练,使得模型更加专注检测与作弊行为相关的身体动作,从而提高系统的鲁棒性和适用性。实验结果表明:系统对作弊检测的实际准确率在95%左右,能够有效区分正常行为和作弊行为,为考试监管提供了强有力的技术支持。

关键词： 目标检测   ShuffleNetv2   YOLOv5s   损失函数  

摘要： 针对矿井复杂环境光照不均、粉尘干扰、目标遮挡及传统的目标检测模型检测效果差、模型不易部署等问题,基于YOLOv5s提出了SDW-YOLOv5s目标检测模型。使用ShuffleNetv2作为特征提取网络,大幅度提升了模型的检测速度;在Ncek区域引入深度可分离卷积,提升模型检测精度的同时降低了模型的参数量和计算量;采用Wise-IoU损失函数提高了模型检测精度。实验结果表明:相比YOLOv5s模型,改进模型检测速度达到111帧/s,提高了70.7%,参数量降低了64.5%,计算量降低了90.5%,模型大小降低了88.8%,mAP达到89.2%,改进模型在模型轻量化和检测精度方面达到了很好的平衡,为模型在移动端轻量化部署提供了技术参考。

关键词： 目标检测   烟雾检测   YOLOv7网络   网络复杂度  

摘要： 【目的】旨在解决复杂场景中目标烟雾失检、检测精度低的问题。【方法】基于YOLOv7算法基础上进行优化改进,将原模型Neck部分的PAFPN结构替换为渐近式特征金字塔结构AFPN并引入ECIoU作为目标回归损失函数,在自构建数据集SMdatase和Pycharm平台上进行验证。【结果】实验结果表明:改进后的算法准确率比原YOLOv7模型提高了1.3%,达到68.6%,平均精度均值(mAP)比原YOLOv7模型提升了1.8%,达到64.6%,且改进后算法的计算复杂度仅有82.5 GFLOPs,比原YOLOv7模型下降了27.4%。【结论】提出的基于改进YOLOv7算法,既能降低网络计算复杂度又能提升检测精度,为复杂场景烟雾检测的后续研究提供了新思路。

关键词： 无人机   路径规划   协同覆盖   图像处理  

摘要： 为解决多无人机区域协同覆盖的问题,提出一种基于奖励函数的实时协同覆盖算法。首先建立环境地图模型,根据先验信息划分为:待覆盖区域、已覆盖区域、边界区域以及禁飞区域;并采用矩阵运算实现地图的快速更新。根据无人机的动力学特性,建立无人机的运动模型。根据动态窗口预测无人机的路径,结合地图信息使之实现障碍物回避,并在陷入困境时,利用图像处理技术和改进A*算法引导无人机飞行。最后进行了仿真,结果表明提出的协同覆盖算法有很高的鲁棒性和覆盖效率。当运行到1200步长时,所提算法的覆盖率为:96.66%,相较于贪婪算法、预测算法和无引导算法分别提高了:33.7%、30.5%和16.05%。

关键词： YOLOv8   目标检测   粉尘识别   深度学习  

摘要： 在特定工业环境中产生的粉尘不仅对设备的运行和维护构成损坏,更对工人的健康和环境产生威胁,因此,对粉尘进行实时有效的检测并及时采取相应的措施具有重要意义。文章基于YOLOv8目标检测基础模型,进行了多项改进。引入了动态上采样器DySample,以增强对不同尺寸粉尘目标的检测能力,提升小目标粉尘的检测精度。另外,在工业环境中,粉尘检测通常存在复杂的背景,如机器设备、管道等,这些背景可能会干扰模型的判断,导致误检。为了改善复杂背景下的检测性能,将Dynamic ATSS标签分配策略应用于训练过程中的正负样本分配阶段,通过动态调整预测框和真实框重叠程度的指标(intersection over union,IoU)阈值,使得正样本的选择更加符合粉尘目标的分布特性,提高检测器的泛化能力。实验结果显示,改进后的模型相比传统YOLOv8模型,在粉尘目标检测的精度、召回率以及mAP等指标上均有提升,其中精度提升10%,召回率提升3%,mAP50提升5%左右,且在应对复杂背景和多尺度目标时表现更加优异。这种方法提供了新的技术支持和思路,为粉尘检测在工业环境中实现自动化和智能化提供理论依据。

关键词： 显著性引导图像   自适应融合   注意力增强特征   金字塔网络   改进Faster-RCNN   遥感图像   目标检测  

摘要： 目标检测作为遥感图像处理领域的关键任务之一,一直是遥感图像处理的研究热点。尽管深度学习方法在此领域取得了显著进展,但在应对遥感图像的尺度变化和复杂背景时,仍面临着不小的挑战,这在一定程度上限制了检测精度的进一步提升。为了解决这个问题,提出了一种创新的遥感图像目标检测方法,该方法融合了显著性引导的图像自适应融合模块,并对Faster-RCNN进行改进,提升目标检测的准确性。首先,在图像预处理阶段提出了一个基于显著性引导的图像自适应融合模块,有效地集成了图像的语义信息和浅层细粒度的细节,使模型能够优先考虑对象区域,同时最大限度地减少背景干扰。其次,在引入MobileNetV3作为Faster-RCNN的特征提取器后,提出了一个注意力增强特征金字塔网络,将注意力与上采样结合起来,进一步增强了目标特征并输出高质量的特征图,从而有效提升了多维特征的提取效果,为后续的目标检测任务提供了更为精准和丰富的特征信息。再次,设计了一个多尺度区域建议网络,这种设计能够更准确地捕获不同大小和形状对象的特征,进而增强特征的表达能力,有效提升目标的检测精度。最后,在DIOR和ROSD数据集上进行实验验证,所提出的网络模型相较于其他先进方法展现出了更高的检测精度,充分证明了其优越性和有效性。

关键词： 模式识别技术   图像处理   图像模式识别   图像分析   应用流程   运用探讨   应用验证  

摘要： 图像处理是图像分析应用的重要前提,而模式识别则是一种高效的图像处理技术。因此,本文简单介绍了模式识别技术,论述了模式识别技术在图像处理中的应用流程,并对模式识别技术在图像处理中的应用验证进行了进一步探究,希望为图像模式识别的实践推广提供一些参考。