关键词： 目标跟踪   边缘检测算子   颜色特征   尺度池  

摘要： 针对在跟踪目标受到严重遮挡或者尺度变化显著等复杂场景下原始核相关滤波算法(Kernel Correlati-on Filter, KCF)追踪目标失败的问题,本文提出了一种将边缘检测算子(Edge Detection Operator, EDO)、多特征融合、尺度自适应相结合的改进型KCF目标追踪算法。首先,通过引进高斯拉普拉斯算子(Laplacian of Gaussian, LOG),对初始帧图像进行处理以获取更多边缘信息。其次,将颜色特征(Color Naming, CN)与方向梯度直方图(Histogram of Gradient, HOG)进行线性融合,可以在处理目标被遮挡时获取更多目标图像的多特征信息。然后,通过使用尺度池自适应方法解决跟踪目标时尺度变化问题。最后,使用OTB-100数据集进行算法仿真和效果评估,证明了使用本文提出的改进型KCF目标追踪算法在复杂背景下依然具有较好的准确性和鲁棒性。In this paper, an enhanced KCF target tracking algorithm is proposed to address the limitations of the original Kernel Correlation Filter (KCF) in tracking targets under complex scenarios with significant scale changes or severe occlusion. The proposed algorithm integrates Edge Detection Operator (EDO), multi-feature fusion, and scale adaptation. Firstly, Laplacian of Gaussian (LOG) is introduced to process the initial frame image for obtaining more edge information. Secondly, a linear fusion of Color Naming (CN) and Histogram of Gradient (HOG) enhances multi-feature information extraction when the target is obstructed. Furthermore, the scale change issue is addressed using a scale pool adaptive method. Finally, simulation and evaluation on OTB-100 dataset demonstrate that the improved KCF target tracking algorithm maintains high accuracy and robustness in complex backgrounds.

关键词： 图像处理   低照度图像   图像拼接   图像增强   加速鲁棒特征算法  

摘要： 低照度图像拼接是一种在光照不足条件下将不同视角图像拼接成一幅大视场图像的技术。光照不足带来的图像对比度低、噪声高等问题,导致特征提取鲁棒性差、数量少,从而难以进行特征匹配和图像拼接。对此,提出了一种基于改进加速鲁棒特征(SURF)的低照度图像拼接方法。该方法首先通过低照度图像的积分图构造尺度空间并进行Laplacian运算,执行边缘提取和二值化处理算法;然后根据边缘提取图像和二值化图像计算阴影区域中的边缘(ESR)图像,用于获取尺度权重,从而动态调整SURF特征提取阈值,有效解决特征点像素阈值与图像整体亮度不匹配导致特征提取算法鲁棒性差的问题;同时,尺度权重也可作为多尺度Retinex算法中的加权系数,进而优化图像增强效果;此外,采用二进制描述符来加速特征描述与特征匹配过程,最后通过匹配关系计算单应矩阵,对增强后的图像进行单应变换和拼接。实验结果表明,本文算法显著提高了低照度环境下图像拼接的速度和效率,相比于传统SURF算法具有更好的鲁棒性和自适应性。

关键词： 深度学习   目标检测   车牌识别   注意力机制   YOLOv7  

摘要： 为解决复杂环境下车牌检测与识别模型速度慢、精度低的问题,提出了一种复杂环境下能高精度进行车牌检测和识别的端到端车牌识别算法。在YOLOv7网络层的特征层输出的过程中加入了CBAM通道注意力机制,提高了模型的特征提取能力;采用改进后的YOLOv7算法对复杂环境下的车牌进行检测,将检测到的车牌区域进行预处理操作,将经过处理的车牌输入到改进的CNN识别模型进行字符识别。实验结果表明,加入注意力机制后的YOLOv7检测模型的检测均值平均精度达到87.5%,改进后的模型识别准确率达到97.16%,明显优于传统的车牌识别技术,且在复杂环境识别效果良好,具有实际应用价值。

关键词： 卵细胞   自动化拆蛋   检测线   计算机视觉  

摘要： 卵细胞拆蛋是人工辅助生殖技术中至关重要的操作之一,但现有手动操作成功率低、丢卵现象时有发生。在自动化操作中,借助显微操作平台和智能运动平台对培养皿中的卵细胞进行反复吹打、清洗是常用的操作方法。设计了面向自动化拆蛋的卵细胞定位方法,利用培养皿内微滴的矩阵布置,通过三点定圆建立实物坐标系,并按回转路径扫描微滴,划分区域检测线,利用计算机视觉对比图像灰度值的方法检测定位卵细胞。结果表明,矩阵微滴内拆蛋和计算机视觉识别缩小了定位范围,提高了卵细胞的定位效率,成功率达到96%。

关键词： 计算机视觉   索力识别   结构振动   检测  

摘要： 基于视觉识别技术对体育场屋盖结构的拉索索力进行检测识别研究。使用工业摄像机拍摄拉索振动视频,基于视觉识别技术精确捕捉拉索的动态位移时程,经过模态识别获取拉索的振动频率,从而识别拉索的索力。以某体育场为例,阐述视觉识别技术在其屋盖结构的拉索中的应用,并将基于视觉传感器测量的索力估计值与理论值进行对比。研究结果表明,基于视觉的索力识别方法具有可行性,精度满足工程精度的要求。

关键词： 交通运输安全工程   环境感知   目标检测   YOLOv5   多尺度检测  

摘要： 针对现有网络在道路交通场景下的远处目标识别效果欠佳、目标特征表达不充分及目标定位不准确等目标检测问题,提出一种基于改进YOLOv5算法的道路目标检测方法。首先,总结了YOLOv5算法的特征提取结构,分析出原网络结构的不足之处;其次,在原网络基础上增加小目标检测层,通过补充融合特征层及引入额外检测头,提高网络对远处目标的识别能力;再次,对原检测头进行解耦,通过将边框回归和目标分类过程改为两个分支进行,提升网络对目标特征的表达能力;然后,对先验框进行重聚类,通过K-means++算法调整先验框的高宽比例,增强网络对目标的定位能力;最后,以AP、mAP和FPS为评价指标进行消融、对比和可视化验证实验。结果表明:本文算法在BDD100K数据集上检测速度为95.2帧/s,平均精度达到55.6%,较YOLOv5算法提高6.7%。可见,改进YOLOv5算法在满足检测实时性要求的同时,具备较高的目标检测精度,适用于复杂交通环境下的道路目标检测任务,对提升自动驾驶汽车的视觉感知能力具有指导意义。

关键词： 多目标跟踪   车站监测   YOLOv5   DeepSort  

摘要： 车站运营过程中实时获取人流信息,对聚集行为与重点区域进行监测、预警、分析在车站安全保障与管理中具有重要意义。目前车站的监控硬件设备数量不断增加、配备复杂,单独依靠监控系统的预警功能实现车站实时、全方位、多角度的人流密度与聚集分析存在困难。为此,提出了一种基于YOLOv5+DeepSort并结合HRNet模型的方法,实现了人员速度、方向、密度、异常聚集、异常侵入、隔栏递物和逃票检测。在车站实时监控数据集和收集的相关互联网数据集上进行了实验,实验结果显示,提出的算法能够实现检测任务,具有实时高效分析监控视频与实际应用的能力。在此基础上开发了一套车站视频行为分析系统后端服务与前端管理平台,对车站旅客出行保障与安全运营具有重要意义,有发展前景。

关键词： 光伏组件   缺陷检测   目标检测   红外图像   多尺度特征融合   无人机航摄  

摘要： 针对无人机航摄光伏组件红外图像分辨率、对比度低且背景复杂,光伏组件小目标缺陷较难检测的问题,基于YOLOv5s提出了一种针对光伏组件缺陷的目标检测模型YOLOv5s-CTC。通过在Backbone中嵌入注意力机制,提高网络对于图像通道和空间位置特征的感知能力。在原网络已有3个检测尺度的基础上增加小目标检测层,增加了网络对微小缺陷目标的检测能力。将原网络Neck部分替换为CsCFPN,使网络更好地融合多尺度的特征信息。实验表明,相较于原网络模型YOLOv5s,所提改进算法在参数量和计算量略有提升的情况下,mAP_(50)为75.9%,mAP_( 50-95)为37.9%,分别提升了2.7%、2.5%,本改进算法对光伏组件缺陷检测具有一定的有效性。

关键词： 计算机视觉   RGBT视觉跟踪   信息融合   相关滤波   深度学习  

摘要： RGBT视觉跟踪是指融合可见光和热红外多模态图像信息进行视觉跟踪的新兴热点研究课题,合理融合可见光和热红外图像的互补信息可以提高跟踪器的性能和鲁棒性;人工智能技术的发展推动了RGBT多模态视觉跟踪的发展,深度学习技术逐渐代替传统目标跟踪方法,在精确度与速度方面更具有优势;对近年来RGBT多模态视觉跟踪进行了全面综述,整理了RGBT多模态视觉跟踪的发展历程,归纳和讨论了相关算法,具体包括基于相关滤波的方法和基于深度学习的方法;回顾了RGBT多模态视觉跟踪数据集的发展历史,介绍了算法性能评估指标,分析了不同方法在评估数据集上的性能,展望了RGBT多模态视觉跟踪的未来研究趋势;旨在为相关研究者提供全面的概览和参考,以促进RGBT多模态视觉跟踪领域的研究和发展。

关键词： 图像处理   解卷积   去模糊   运动物体  

摘要： 该文提出一种去运动物体模糊算法,将模糊图像分成运动模糊层和非运动模糊层,降低非运动物体区域对去模糊的影响,对运动模糊层使用局部线性运动进行建模并估计各图像块的模糊核,最后利用非盲解卷积方法求解清晰图像。实验结果表明在合成图像上相对于其他传统算法,平均峰值信噪比提高12.11 dB,在自然图像上同样获得更好的效果。