基于深度学习的复杂背景下茶叶嫩芽检测算法

针对传统的基于机器视觉的茶叶嫩芽检测方法存在手工特征提取鲁棒性较差以及准确率较低等问题,首次将基于深度学习的目标检测算法YOLO应用到复杂背景下的茶叶嫩芽图像的检测,并从多尺度检测方面对YOLO网络架构进行了改进,用大尺度和中尺度检测代替了原来的多尺度检测.在预处理阶段,通过结合超绿特征以及OSTU算法对复杂背景下的茶叶嫩芽图像进行了图像分割,使得茶叶嫩芽区域更加明显.实验结果表明,通过与其他算法对比,基于深度学习的目标检测算法对复杂背景下的茶叶嫩芽具有较高的检测精度,为复杂背景下茶叶嫩芽的智能化采摘设备的研究提供了基础.     

基于高分三号卫星的实时船舶检测算法

针对目前在轨星载合成孔径雷达(synthetic aperture radar,SAR)船舶检测主要基于地面处理平台,无法满足星上实时任务规划发展需求的问题,基于现场可编程门阵列(field programmable gate array,FPGA)处理架构,设计了一套用于星上实时处理系统的SAR船舶目标检测算法.结合星载SAR对海观测典型参数指标,在现有处理平台架构上优化所设计算法,最终形成可用于星载SAR船舶目标实时处理系统的检测算法.通过高分三号的59幅SAR图像数据详尽的验证所设计算法的性能.测试结果表明,算法满足系统的可行性和时效性需求.     

主动轮廓线模型在频域距离约束下的行为研究

针对传统主动轮廓模型在目标检测中存在的不足,对传统Snake算法进行了改进,用轮廓和目标间的频域距离来构造内力.分别研究了在单纯频域距离约束下和频域距离与图像力共同作用下Snake的变形行为.研究表明,在单纯频域距离约束下Snake能变形到目标、能量趋最小化,而在频域距离和图像力共同作用下Snake不能变形到目标.提出一种新的变参数Snake算法,该算法的变参数方式是让频域距离和图像力在Snake变形的不同阶段起作用,实验结果表明新的Snake算法可以变行到目标.     

基于RetinaNet的SAR图像舰船目标检测

在合成孔径雷达图像舰船目标检测中,由于背景复杂多变,传统的基于人工特征的目标检测方法效果较差.基于深度学习中的单阶段目标检测算法RetinaNet,结合合成孔径雷达图像本身特征信息较少的特点,采用了多特征层融合的思想,改进了网络特征提取能力,提出了相适应的损失函数的计算方法.采用SAR图像舰船目标检测数据集(SSDD)对网络进行训练,并通过样本增强和迁移学习的方法提升算法的鲁棒性和收敛速度.通过实验与其他基于深度学习的目标检测算法所得结果进行比较,结果表明本算法具有更高的检测精度.     

基于非递归迭代投影的实时深空目标检测算法

针对深空目标信噪比低、干扰多、传统方法无法检测准确性低的问题,提出一种基于非递归迭代投影的快速实时深空目标检测算法.该算法采用由粗到细的检测流程,首先根据图像特征自适应确定迭代投影次数提取所有疑似目标,然后通过邻域判决对目标进行轨迹关联剔除虚假目标,从而实现目标的准确检测.此外,为了提高算法的实时性,针对FPGA并行流水的特点,利用非递归编程架构对算法进行优化,提高了算法的并行度和运行效率.在SOPC硬件平台上的实验表明,该算法能够准确实时检测深空目标,对悬浮实验的圆满成功起到了决定的作用.      

采取阶段性改进的全新ViBe目标检测算法

针对ViBe (Visual Background extractor)算法在目标检测过程中易产生鬼影问题和检测目标不完整问题,从ViBe算法处理过程的主要阶段出发,提出一种全新的ViBe目标检测算法.首先,在模型初始化阶段,利用前m帧视频序列对应像素点的均值构建背景模型,同时将原算法的8邻域改为24邻域进行样本选取以及动态调整匹配半径;然后,在目标检测阶段,引入最大类间方差法来计算当前图像帧的最佳分割阈值,进而对前景像素进行二次判别;其次,在背景模型更新阶段,根据背景变化快慢程度动态地调整更新因子;最后,对获得的前景图像进行形态学处理得到最终的前景目标.实验结果表明,改进后的ViBe算法使鬼影问题得到有效解决,目标检测的准确度和完整度也有大幅提高.     

基于改进RFBNet算法的遥感图像目标检测

针对遥感图像中的小目标存在信息少、易受背景干扰、特征表达较弱等缺陷, 导致目前通用目标检测算法在对这类小目标进行检测时效果不理想的问题, 为提高对遥感图像中小目标的检测能力, 提出一种基于RFBNet的改进算法. 该算法以RFBNet为框架, 首先利用自校正卷积取代特征提取网络中的常规卷积, 以扩展感受野丰富输出, 进而强化对弱特征的提取能力; 然后设计多尺度特征融合模块, 丰富浅层特征图的抽象信息; 最后设计稠密预测模块, 提前在较浅层整合上下文信息, 使最后阶段的每层输出都含有丰富且联系紧密的多尺度特征信息. 将该算法在数据集UCAS_AOD和NWPU VHR-10上进行实验, 平均检测精度分别达83.4%和94.8%. 实验结果表明, 该算法有效提高了遥感图像中目标检测的精度, 且针对遥感图像中的小尺度目标检测问题改善明显.     

广义二维PCA和稀疏表示的红外行人目标检测

红外行人检测在夜间智能视频监控,车辆安全驾驶等领域有重要应用。为了解决红外图像特征降维后空间结构信息丢失的问题,提出一种基于广义二维主分量分析（principal component analysis,PCA）和稀疏表示的红外图像行人目标检测算法。该算法主要由2个阶段组成：第1阶段利用广义二维主分量分析方法提取图像的二维主特征分量,并由此构造行人目标的超完备特征字典;第2阶段采用滑动窗口的方法得到图像中局部子图,然后利用基追踪算法求解每个局部子图的稀疏表示系数向量,最后定义一个函数度量每个子图存在行人目标的可能性,并设置相邻标记框的最小距离得到整幅图像最终的检测结果。实验结果表明,该方法能够有效地检测红外图像中的行人目标,具有较好的检测效果。     

基于卷积神经网络的单幅图像室内物体姿态估计

单幅图像的目标检测和物体姿态估计一直是计算机视觉领域中非常重要的研究内容.利用卷积神经网络对单幅室内场景图像进行研究分析,提出了一种基于卷积神经网络的单幅图像室内物体姿态估计算法.该算法采用直接分类预测的方法来实现物体的姿态估计.通过改进Faster-RCNN网络结构,利用室内场景数据集SUNRGB-D训练网络,实现端到端单幅室内图像目标检测和姿态估计.实验结果表明,该算法目标检测平均准确度为70%,姿态估计结果中平移估计准确度为28%,旋转角度估计准确度为30%.     

基于深度神经网络剪枝的两阶段遥感图像目标检测

在高分辨率遥感图像目标检测中,受云雾、光照、复杂背景、噪声等因素影响,现有目标检测方法虚警率高、速度慢、精确度低.为此提出基于深度神经网络剪枝的两阶段目标检测(object detection based on deep pruning,ODDP)方法.首先,给出深度神经网络剪枝方法,基于深度神经网络剪枝分别提出自主学习区域提取网络算法与优化训练分类网络算法;然后,将上述两算法用于卷积神经网络,得到两阶段目标检测模型.实验结果表明,在NWPU VHR-10高分辨率遥感数据集上,相比现有目标检测方法,ODDP的检测速度和精度均有一定提升.