关键词： OTSU算法   形态学图像处理   非结构化道路   连通区域   高斯滤波   分割图像   二值图像   初始分割  

摘要： 非结构化道路通常具有不规则的道路边界,缺少车道线和道路标识,背景环境较为复杂。针对非结构化道路场景中的道路区域分割问题,提出了融合OTSU算法与形态学图像处理的道路分割算法,即首先将摄像头获得的彩色场景图像转换为灰度图像;其次进行高斯滤波,减少噪声;再次利用OTSU算法计算出合适的分割阈值,得到初始分割二值图像;从次使用形态学图像处理减少噪声和平滑图像;最后对得到的分割图像进一步处理,保留分割图像中最大的连通区域,得到道路区域分割结果。实验结果表明,融合算法可以更加精确地分割非结构化道路场景中的道路区域,可为非结构化道路场景下无人驾驶车辆的安全运行提供参考。

关键词： 模式识别与智能系统   计算机视觉   目标检测   遥感图像   卷积神经网络  

摘要： 针对机载广域遥感图像的目标尺寸变化大、背景噪声复杂以及局部目标密集给目标检测任务带来的困难,本文通过优化分割方法统一输入图像的目标像素尺寸,并以此简化模型结构提出了一种尺度归一化卷积神经网络模型MNNet。为增强局部之间的特征关联,本文设计了全局连接块(SGC),有效提高了检测的精度。针对现有非极大值抑制算法的超参数依赖经验设置的问题,本文提出了一种自适应非极大值抑制方法(DNMS),降低了模型的部署难度。在RSF数据集上的测试结果表明:本文模型的检测平均精度(AP)高于其他模型5.0%以上,在检测速度上达到了57.7帧/s,可以满足遥感图像的检测任务需求。

关键词： 车道线检测   图像处理   基于视觉   OpenCV  

摘要： 该车道线检测方法通过图像去畸变和图像校正获得车道线图像的鸟瞰俯视图,并在图像颜色空间转换的基础上,使用颜色特征提取(阈值分割)和Canny边缘检测提取车道线信息,结合形态学滤波去除噪声。再利用图像直方图确定车道线的大致位置,并对比使用了霍夫(Hough)变换和滑动窗口搜索法确定车道线的效果,实现了对车道线几何信息的拟合。该方法在图像预处理环节能够显著减少一般车道线环境中所存在的噪声信息,实现了车道线检测准确性和鲁棒性的提高。

关键词： 海上目标   OpenMV   卷积神经网络   检测  

摘要： 海上目标检测技术在海洋监测、海上救援以及军事应用等方面扮演着重要角色。文章设计了一套基于OpenMV模块和控制模块的海上目标检测系统。该系统能实时采集并处理图像,以实现对海洋环境中小目标的高效精确识别、定位及预警,从而提升海上安全监测的效率和精确度。具体而言,系统运用深度学习框架实时检测海上船舶等目标,突破了传统目标检测技术在效率和性能上的局限,并成功将模型部署到OpenMV平台。实验证明了检测方案的有效性。

关键词： 目标检测   立体匹配   双目系统   定位   远距离测距   YOLO   AIS   相机标定  

摘要： 为适应未来无人船发展趋势,发现并定位海上远距离目标,采用YOLOV8和局部立体匹配方法,提出一种双目视觉远距离定位技术方案。首先对双目相机进行标定;然后采用YOLOV8算法对海上目标进行检测;进一步通过局部立体匹配,对两个相机检测目标进行局部特征提取和局部特征匹配;最后基于匹配结果,根据双目视觉原理计算所匹配目标的距离。实验结果表明:该技术方案对距离为100~300 m、300~500 m、500~700 m、700~900 m的目标测距平均精度分别为90%、84%、75%、60%,处理速度为20 PFS。与传统方法相比,所提方法直接聚焦海面目标,只对局部像素进行立体匹配,具有运行速度快、定位效果好的优势。

关键词： 视度视差   CMOS   误差分析   图像处理  

摘要： 视差对于望远系统的观察与瞄准都有着重大的影响,传统检测方法依赖检测精度较低的人眼判读,且无法定量给出视差调校量。通过对经纬仪检测视差的光路原型进行改进,研制了一种新型的双光路望远系统视差检测技术,通过两条光路分别接收望远系统物镜两侧的出射光线,依托图像判读技术检测望远系统的角视差,最终经过公式推导得到望远系统的线视差。根据物理模型建立图像判读十字分划中心偏移量与视差值之间的数学关系,该系统能够实现多种通光口径的望远系统视差检测,具有高效率、高精度、自动化等优点,检测精度可达11.9″。

关键词： 红外小目标检测   深度学习   网络编码   模型压缩  

摘要： 红外小目标检测是对地观测、抢险救灾等诸多领域的重要课题,一直受到学界的广泛关注。由于红外小目标通常只占据几十个像素且分布在整个背景中,因此大范围内探索图像特征之间的语义信息以挖掘目标与背景之间的差异对检测性能的提升至关重要。然而,传统卷积神经网络的编码局域性与计算资源的巨大需求削弱了网络捕获小目标形状和位置的能力,极易产生漏检与虚警。基于此,提出了一种平滑交互式压缩网络模型,主要包含平滑交互模块与交叉关注模块。平滑交互模块在拓展特征图感受野的同时增添其依赖性,提升了网络在复杂背景条件下检测性能的鲁棒性。交叉关注模块综合考量信道的贡献度与剪枝的可解释性,从而动态融合不同分辨率的特征图。最后,在公开的SIRST数据集和IRSTD-1K数据集上的大量试验结果表明,提出的网络可以有效地解决目标丢失、虚警率高、视觉效果不佳等问题。以SIRST数据集为例,与性能第2的模型相比,IoU、nIoU和P_(d)分别提高了约3.05%、3.41%和1.02%;F_(a)和FLOPs分别降低了约33.33%和82.30%。

关键词： 目标跟踪   传感器数据融合   信息融合   箱粒子滤波   标签多伯努利滤波  

摘要： 随着复杂跟踪场景的大量涌现,常规多源传感器多目标跟踪算法存在计算量大、跟踪精度低、无法估计目标航迹等不足,已无法满足现代战争的需求。笔者以主动传感器和被动传感器组成的多源传感器系统为背景,重点研究多源传感器多目标跟踪问题的实现算法。针对“多主动+多被动”多源传感器系统量测无法充分融合且整体算法计算复杂度较高的问题,提出一种多源传感器箱粒子标签多伯努利(MS-BPF-LMB)滤波算法。首先,对传感器依据不同主动传感器进行分组,即将所有传感器划分为若干“单主动+多被动”传感器组;然后,通过并行运算,对各传感器组运用基于角度关联的多传感器信息融合算法,得到跟踪所需的有效量测;最后,在跟踪滤波阶段,通过引入箱粒子滤波数值计算方法,将获取的量测点划分为若干箱粒子,并对箱粒子滤波下的多传感器量测更新系数进行重新定义,以较低的计算复杂度实现LMB(Labeled multi-Bernoulli,LMB)滤波。仿真结果表明,所提算法在保证跟踪精度的前提下,误差明显降低且算法复杂度下降约40%,能够有效处理异构数据多源信息融合问题。

关键词： 智能交通   无人驾驶   深度学习   目标检测   激光点云  

摘要： 针对基于深度学习的三维点云目标检测算法在更换场景或设备的情况下容易出现网络性能无法维持、可迁移性较差的问题,提出一种准确、灵活且迁移性较好的两阶段三维点云目标检测算法(AF3D):在第一阶段,对采集到的激光点云使用分段拟合算法去除路面,并使用具有噪声应用的基于密度的空间聚类(DBSCAN)算法对非地面点云进行聚类,得到若干个聚类簇;在第二阶段,搭建点云全连接网络(PFC-Net)对聚类簇提取特征并进行分类。试验结果表明:该算法在KITTI数据集上可实现良好的检测性能,且在实车数据集上对汽车、行人、骑行者的检测精度分别为69.74%,41.25%、54.33%,具有较好的可迁移性。

关键词： 遥感   目标检测   特征增强   注意力机制   YOLOv7  

摘要： 针对遥感图像中目标尺度变化大和背景复杂导致检测精度低的问题,设计了一种改进YOLOv7目标检测算法。首先,为了缓解复杂背景对检测器的干扰,设计了一个注意力引导的高效层聚合网络(ALAN),以优化多路径网络使其更聚焦前景目标而降低背景的影响;其次,为了降低目标尺度变化大对检测精度的影响,设计了一种注意力多尺度特征增强(AMSFE)模块,用于扩展主干网络输出特征的感受野,以加强网络对尺度变化大目标的特征表征能力;最后,引入旋转边界框损失函数,以获取任意朝向物体的精确位置信息。在DIOR-R数据集上的实验结果表明,该算法mAP达到了64.51%,相比于基线原始YOLOv7算法提高了3.43%,且优于其他同类算法,能够适应遥感图像中多尺度和复杂背景的目标检测任务。