关键词： 视频监控   人工智能   目标检测   行为识别  

摘要： 基于人工智能的视频安防监控智能识别与分析技术通过深度学习算法实现目标检测、行为识别和异常事件预警等功能。该技术在目标追踪、行为分析和场景理解等方面具有显著优势,可有效提升监控系统的智能化水平。通过优化神经网络模型结构,改进特征提取方法,显著提高了目标识别准确率和系统实时性。实验表明,该技术在复杂场景下仍能保持稳定可靠的识别效果,为智慧安防发展提供了新思路。

关键词： 目标检测   激光雷达   自动驾驶   单阶段  

摘要： 激光雷达目标检测近年来开始借鉴图像目标检测的网络设计,但依然存在计算低效无法满足实时应用以及网络结构简单导致性能不足的问题.为此,提出的网络采用了单阶段无锚框的简洁设计;优化了激光点云体素化表达,在提升计算效率的同时保留了一部分点云高程特征;基于残差网络的思想,设计了更深的主干网络结构用于提取深度特征;引入特征金字塔来提升小目标的检测效果.在公开数据集KITTI上,所提网络的mAP指标在各类别目标的检测中均取得了领先的性能(提高了1%~3%).在自动驾驶计算平台上的运行时间测试表明,所提网络能够达到43 ms/帧的处理速度,满足实时性需求.

关键词： 自动驾驶   目标检测   YOLO算法   深度学习  

摘要： 随着自动驾驶技术的迅速发展,准确高效的目标检测已成为环境感知技术中的关键研究方向。YOLO系列算法作为一种单阶段算法,不仅在自动驾驶中展现了巨大的潜力,还被广泛应用于各个领域。文章首先总结了基于深度学习的目标检测算法,并回顾了YOLO算法的发展历程;然后,概述了目标检测领域常用的评估指标,并讨论了YOLOv1至YOLOv10算法在自动驾驶场景中的应用,重点分析了YOLO算法在交通标志、车辆与行人、路面状态及车道线检测中的应用情况。最后,展望了YOLO检测算法在未来自动驾驶领域的发展趋势及潜在优化方向。

关键词： 图像处理   图像融合   深度可分离卷积   注意力机制   损失函数  

摘要： 在红外与可见光图像融合时,融合后图像常出现显著目标不突出、可见光信息表达不充分的问题,且在亮度不均衡条件下,易出现边缘模糊和局部信息不均衡。因此,提出了结合注意力机制与均衡损失的图像融合算法(DepthwiseSeparable,Squeeze-and-Excitation,andEquilibriumLoss-based Convolutional Neural Network, DSEL-CNN)。首先,使用深度可分离卷积提取图像特征;其次,在融合策略中使用Squeeze-and-Excitation注意力机制来提高有效信息的权重;最后,利用均衡组合损失函数计算融合后图像损失,进行图像信息均衡。与FusionGAN、Dense Fuse和其它4种融合算法在TNO和MSRS公开数据集中进行主客观对比实验,其中互信息值、视觉信息保真度、边缘信息保留指标较其它6种算法分别最高提高了1.033、0.083、0.069,实验结果表明所提算法与6种常用融合算法相比,在融合图像视觉感观、信息含量、边缘和纹理保留方面均有提升。

关键词： 目标检测   计算机视觉   小目标   复杂场景  

摘要： 目标检测作为计算机视觉领域的核心分支,为众多复杂视觉任务奠定了基石。近年来,随着深度学习技术的飞速进步,目标识别能力实现了突破性提升,现已广泛渗透至自动驾驶、智慧交通体系、工业智能化以及医疗影像分析等诸多行业。尽管如此,微小目标识别在图像处理领域仍面临诸多挑战,如像素资源的局限和特征信息的匮乏,使其成为当下科研的热点与难点。特别是在错综复杂的现实环境中,这些微小目标常遭遇遮挡和尺度波动等多重考验,无疑为识别工作增添了额外的复杂性。本文回顾了小目标检测算法的发展历程,对现有算法进行了细致的分类、深入的分析与综合比较。最后,对小目标检测技术的未来趋势进行了展望与探讨。

关键词： 智能变电站   多视角巡视   AI巡视   目标跟踪   跟踪系统  

摘要： 为了优化AI巡视视频目标跟踪系统多视角目标的捕捉能力,设计了一种新的智能变电站多视角AI巡视视频目标跟踪系统,对系统硬件和软件进行优化。系统硬件由DSP、视频解码器、视频编码器和控制电路四部分组成,选用TM9053113型DAV媒体专用处理器进行数据处理的同时,采用ADV21839型的视频解码器和DM3344型的视频编码器实现解码和编码。软件部分利用高斯单背景模型进行目标分割,计算代价函数从而实现实时跟踪和连续跟踪。实验结果表明,智能变电站多视角AI巡视视频目标跟踪系统能够精准地捕捉目标,丢失率低于0.1%。

关键词： 高斯模型   光伏电场   无人机巡检   检测方法  

摘要： 目前常规的无人机避障目标检测方法主要采用超声波技术实现对目标轮廓的获取,由于缺乏对图像的形态学处理,导致检测精度较差。对此,提出了基于高斯模型和YOLOv3的光伏电场巡检无人机避障目标检测方法。首先结合混合高斯模型,对巡检图像的前景与背景进行分离处理,并采用滤波算法对前景图像进行去噪处理。然后结合分类损失函数以及位置损失函数,对特征点的梯度值以及方向进行计算,实现障碍物图像的特征提取,最后对提取到的避障目标边缘进行补偿处理,实现避障目标检测。在实验中,对提出的方法进行了避障目标检测精度的检验。最终的测试结果表明,采用提出的方法进行无人机避障检测时,算法的mAP值较高,具备较为理想的检测精度。

关键词： 目标检测算法   网络模型   检测精度   智慧水利  

摘要： 为了提升水利船只的监管效率,针对遥感影像背景复杂、目标地物尺度差异大的问题,提出一种多尺度融合的YOLO v5目标识别算法YoMresNet(YOLO v5 Resnet Networks),实现对不同大小的地物进行高精度识别。首先以YOLO v5网络为基础模型,其次效仿残差模型代替YOLO v5模型中Neck的部分卷积并减少卷积层数以减小模型的体积;最后在模型的检测头部通入MHSA进行参数优化实现对船只目标的检测精度。在大型遥感数据集DIOR上进行了对比实验,并利用本项目组在辽河干流防洪提升工程拍摄的图像并制作的数据集上进行再次验证,结果表明YoMresNet模型相较于YOLO v5模型以及Faster R-CNN进行对比,检测精度有了显著提升,文章提出的方法有效提高了水利监管的效率,能够准确识别辽河干流目标地物,为搭载移动端嵌入式无人机等设备的实时目标检测提供参考价值且检测精度和速度均满足实际生产要求。

关键词： 自动驾驶感知   对抗样本   运动模糊   目标检测   卷积神经网络  

摘要： 在自动驾驶感知系统中,卷积神经网络(CNN)作为关键技术在车辆感知和决策中发挥着重要作用。然而,其面临的对抗样本攻击威胁对自动驾驶系统的安全性和稳定性产生了严重影响。现有的对抗样本生成方法通常直接在图像中添加对抗扰动,导致对抗样本视觉质量下降,伪装性不足,易被人类观察者识别。针对这一挑战,引入交通场景中车辆运动引起的图像模糊先验知识,提出一种运动模糊伪装对抗样本生成方法。通过模拟车辆和行人在移动过程中产生的模糊效应,生成具有运动模糊特征的对抗样本。为了保持图像的运动模糊同时有效实现对抗攻击,设计一种目标隐身的对抗样本损失函数。实验结果显示,在ICDAR公共数据集上,图像检测框数量为0,通过Brenner梯度函数得到的图像模糊度指标为69.28,证明了该方法可以生成运动模糊伪装对抗样本。

关键词： 太赫兹雷达   目标检测   交通监控   安全防护   多模态   感知系统   应急救援   安全监控  

摘要： 低空对地监控是我国公共安全监控和人民安全防护的重要手段,机载探测感知系统与技术是低空对地监控能力实现的核心要素。太赫兹雷达成像为全天候、视频级、高分辨监视提供新的技术与装备,为交通监控、应急救援、安防反恐等领域提供可靠信息来源。如何基于机载太赫兹雷达视频中的动/静目标信息,进行重点区域目标检测、识别、跟踪,值得深入探索。此外,视频SAR与可见光、红外宽谱段集成,还可以视频级高刷新率实现低空对地多模态、高精度感知,多模态传感信息集成将有力提升重点目标识别跟踪鲁棒性。本专题拟对以上问题进行探讨。