基于曲线拟合的无线传感器网络目标定位算法

针对无线传感器网络的目标定位精度问题,提出了一种基于曲线拟合的目标定位算法.采用最小二乘法对目标经过的各个位置进行拟合,计算出近似目标运动轨迹的曲线参数;进而通过分段曲线拟合的方式,引入更多位置信息参加目标定位,从而减少定位过程中的误差因素,最终实现对网络中运动目标的定位与跟踪.实验结果表明,该算法具有比一般曲线拟合方法更高的目标定位精度,有效提高了无线传感器网络目标定位的准确性.     

基于Harris-Hist的特征匹配及目标定位算法

针对目前机器人伺服定位抓取中定位精度和实时性较差的问题, 提出一种基于Harris-Hist的快速特征匹配及目标定位算法. 首先, 采用Harris检测算法提取图像特征点; 然后, 提出一种新的特征点描述子定义方法, 计算特征点圆形邻域内像素点灰度直方图刻画特征点, 通过计算两幅图像中各特征点描述子间的距离实 现特征匹配; 最后, 根据匹配结果, 估计单应性矩阵, 定位目标在场景图像中的位置. 实验结果表明, 该算法匹配速度快、 定位精度高, 能满足机器人伺服定位抓取中定位精度和实时性的要求.     

E-SSD:目标特征增强检测算法

针对SSD目标检测算法在检测目标过程中存在漏检的现象,提出一种特征增强的SSD目标检测算法。该算法通过将特定连续特征层进行特征融合,获取更为丰富的目标细节特征信息,以此来改善目标的特征表达效果,提升目标检测正确率。经仿真测试,该算法对车辆、自行车和行人等道路参与者检测效果均有提高,在PASCAL VOC2007数据集上的测试结果与原有SSD检测算法相比,mAP提高0.78%,适合于车载与移动机器人等场景的目标检测应用环境。     

基于深度学习的蜜柚果树航拍图像检测

精细化、智慧化是果园管理的必然发展趋势,其中果树位置信息是果园管理的重要数据。为了快速获取井冈蜜柚果树的位置,利用无人机航拍获取蜜柚果园的正射影像,提出了一种用于检测蜜柚果树目标的SSD改进算法。该算法将原SSD算法的主干网络VGG替换为VoVNet,提高了特征提取能力。对样本数据进行了裁剪处理,有效提高了算法检测小目标的能力。实验结果表明,蜜柚果树目标的平均检测精度达到92.6%。     

基于MM YOLOv4的无人机目标检测算法

针对当前无人机目标图像检测方法精度较低和检测速度过慢的问题,提出一种结合轻量级网络和改进多尺度结构的目标检测算法。首先采用MobileNetV3轻量级网络替换YOLOv4的主干网络,减少模型复杂度,提升检测速度;其次,引入改进多尺度结构的PANet网络,增强高维图像特征和低维定位特征的流动叠加,提升对小目标的分类和定位精度;最后,利用K means方法对目标锚框进行参数优化,提升检测效率。同时结合公开数据集和自主拍摄方式构建一个新的无人机目标图像数据集Drone dataset,并基于数据增强的方法开展算法性能实验。实验结果表明,该算法的mAP达到了91.58%,FPS达到了55帧/s,参数量为44.39 M仅是YOLOv4算法的1/6,优于主流的SSD、YOLO系列算法和Faster R CNN算法,实现了对多尺度无人机目标的快速检测。     

一种基于Shi-Tomasi和改进LBP的特征匹配及目标定位快速算法

针对机器人伺服抓取中对定位精度和实时性均要求较高的问题, 提出一种特征匹配及目标定位快速算法. 首先, 采用Shi-Tomasi检测算法提取特征点; 其次, 提出一种新的特征描述子定义方法： 先以特征点为中心截取子图像, 利用二维Gauss函数偏导数确定特征方向, 再根据特征方向对局部图像做旋转处理, 提取旋转后标准局部图像局部二值模式作为特征描述子, 该描述子具有良好的局部性以及平移、 旋转不变性; 最后, 通过计算特征描述子间的Hamming距离实现特征匹配, 估计单应性矩阵, 定位目标在场景中的位置和方向. 实验结果表明, 该算法匹配速度快、 定位精度高、 稳定性好, 能满足机器人伺服抓取中定位精度和实时性的要求.     

一种改进的布谷鸟搜索移动信标节点定位方法

针对未知节点静止,信标节点移动方式下的无线传感器网络定位问题进行了研究。为进一步提高无线传感器网络节点的定位覆盖率,提出了一种基于改进布谷鸟搜索算法(AF-CS)的多移动信标节点定位算法。通过RSSI定位和DV-Hop算法获取未知节点坐标的粗略值,采用改进布谷鸟搜索算法迭代求解信标节点移动的目标位置,最后对未知节点进行重新定位。仿真结果表明:多移动信标节点定位算法可有效提高对未知节点的定位覆盖率;AF-CS算法对比原始布谷鸟搜索算法(CS)提高了目标函数定位覆盖率,加快了算法收敛速度。在网络拓扑结构变化时,该算法可通过信标节点移动保持对未知节点较高的定位覆盖率。     

序列图像中运动点源目标检测算法的研究

点源运动目标由于其形状、尺寸特征不明显,使得通过单帧图像处理对其进行识别变得十分困难。因此,通常依靠目标连续运动形成的多帧图像目标轨迹进行识别,其主要方法是搜索所有轨迹中最长的连续轨迹。本文提出最小二乘轨迹预测搜索算法,该算法采用多点航迹进行最小二乘曲线拟合,根据拟合结果预测目标在下一帧的位置,有效地减小了轨迹预测位置误差。     

基于空洞卷积和特征融合的单阶段目标检测算法

针对SSD多尺度目标检测过程中存在的目标漏检和错检问题,提出了一种融入多维空洞卷积和多尺度特征融合的目标检测算法。在卷积神经网络输出的多尺度特征中,浅层具有更多的细节信息,深层具有更多的语义信息,根据这一特点,对浅层网络采用了3种多维空洞卷积的浅层特征增强模块,获得具有语义信息的特征图,将增强后的特征图进行下采样,融合不同层的特征;同时在深层网络引入通道注意力模块,对通道进行权重分配,抑制无用信息,提高目标的检测性能。研究结果表明：该算法在PASCAL VOC数据集上检测精度为79.7%,比SSD算法提高了2.4%;在KITTI数据集上检测精度为68.5%,比SSD算法提高了5.1%,检测速度达到了实时性的要求,有效地改善了目标的漏检和错检。     

一种虚拟场景车辆检测与测距方法

为了提升前方车辆测距精度,提出了一种基于改进目标检测(SSD)算法的车辆检测与测距方法。采用场景仿真软件PreScan搭建测试场景,使用改进的SSD算法,对摄像头采集的视频进行车辆目标检测。将检测框下边缘的中心点坐标作为图像中车辆坐标,根据单目视觉测距算法进行车辆目标测距。实验结果表明:在网络阈值为0.9时,改进的SSD算法对小车辆目标检测精度提升了6.6%。可以检测到70 m左右的目标,提出的测距方法可以达到2%的精度。     

MR中融合语义特征传播模型的前景对象感知定位算法

移动主体获得准确的定位信息是构建稳定的混合现实(mixed reality,MR)系统的关键,然而MR中的前景对象对传统定位算法的精度影响较大.现阶段基于深度学习的定位算法可以通过识别前景对象来提升精度,但深度学习模型耗时过高,导致算法实时性下降.针对该问题,提出了一种MR中融合语义特征传播模型的前景对象感知定位算法.该算法依托语义分割网络与一种快速旋转的二进制独立稳定描述子特征(oriented fast and rotated binary robust independent elementary feature,ORB)提取算法构建了语义特征传播模型,实现高速语义特征提取;融合该模型和几何特征检测方法实现算法中的前景对象感知层,并依赖该感知层剔除MR中前景对象的特征点,构建了背景特征点集,实现高精度、高实时性的定位.实验结果表明:在慕尼黑工业大学(Technical University of Munich,TUM)公共数据集的高动态前景对象场景中,相比动态语义视觉同步定位与建图(dynamic semantic visual simultaneous localization...     

目标边缘特征增强检测算法

针对分组角点检测网络在目标检测过程中,由于目标尺寸过小或同类目标空间距离较小而导致检测失效的问题,提出一种边缘特征增强的CornerNet目标检测算法OEC。该算法通过分离特征的高低频信息提取更多的高频信息,增强目标的边缘轮廓特征,解决关键点定位不准确的问题,提高目标的框定效果,进一步提升检测精度。仿真结果表明,该算法对行人、车辆等目标检测效果均有提高,在COCO数据集上的检测结果与CornerNet相比,mAP提高0.9%,可应用于无人驾驶与智能机器人等场景。     

基于幂次变换和区域收缩算法的运动目标检测与定位

运动目标分割与跟踪是计算机视觉中的重要研究课题,而目标检测与定位是其中的必要步骤,对分割与跟踪效果影响很大.在此提出一种新的运动目标检测与定位方法,该方法在差分二值图像上,通过区域收缩定位到运动像素密度较大的区域,从而实现运动目标定位.在多目标情况下,先通过幂次变换突出不同位置的目标,然后再通过区域收缩实现目标定位,给出目标的特征矩形,便于进一步的跟踪与识别.该方法不需要任何关于目标数的先验知识,对噪声鲁棒性较强.文中给出的实验结果证明该算法的有效性.     

基于深度学习的低成本堆叠物料定位系统

针对堆叠物料无序分拣中传统定位方法硬件成本高、检测精度低等问题,设计了一种基于深度学习的堆叠物料定位系统.以单目光学相机采集得到的图像作为输入数据,利用单阶段检测算法得到候选目标,采用卷积神经网络进行目标筛选,最后对筛选后的目标感兴趣区域图像进行特征点回归,得到目标的类别、坐标和角度.堆叠物料定位系统由于无需昂贵的深度相机,且算法的鲁棒性较高,降低了硬件成本,提高了检测精度.在真实场景的测试结果显示,新系统的定位误差降低到了0.3 cm以内.      

复杂维修场景下飞机机号的定位识别方法

针对在复杂维修场景下飞机数量较多且体积庞大,无法实现准确高效的识别跟踪目标飞机的问题,提出基于YOLOv4目标检测的飞机机号识别算法,该方法首先利用YOLOv4检测算法获得飞机机型和预测框图像信息,然后通过图像处理算法实现飞机骨架细化,并依据机型获取飞机机号位置信息,最后利用OCR(optical character recognition)识别出目标飞机机号信息。实验结果证明,该算法实现了对飞机机号的识别,准确率为75%,帧率为30帧,可达到实时性的目的。     

基于区域信息的自适应码本目标检测算法

运动物体检测是视频监控系统的一个重要组成部分。针对经典码本目标检测算法存在的自适应动态背景能力不足,以及在复杂环境下检测精确度差的问题,提出一种基于区域信息的自适应码本目标检测算法。首先,利用添加学习率的方法对背景模型进行自适应更新以使其适应不同的光照环境。其次,结合区域信息,将待检测像素的码本和周围像素的码本融合,得到更为精确的背景模型。最后,对前景像背景一样进行建模和更新,使得前景和背景模型可以在预设参数的控制下相互转化,消除由于背景变化造成的误检。实验结果表明:所提算法在有随机噪声及光照变化的复杂环境下,依然具有较好的检测率和较好的鲁棒性。基本满足动态场景中运动目标检测的精度高、速度快、抗噪强以及光照适应性好等要求。     

基于在线多示例学习的协同训练目标跟踪算法

为解决把多示例学习应用到目标跟踪算法而导致的误差积累问题, 结合协同训练方法, 提出一种新的目标跟踪算法。该算法利用协同训练克服分类器自训练带来的误差积累, 同时在线多示例学习提高了跟踪效果的鲁棒性。将跟踪结果中心与理想目标位置中心的误差作为评价标准, 在标准视频序列上将跟踪结果与半监督学习跟踪算法和传统多示例学习跟踪算法进行对比。实验结果表明, 该方法在背景光照变化、目标旋转等复杂条件下, 可很好地跟踪目标, 具有较好的鲁棒性。     

Ostu算法的改进研究

智能视频监控系统已经逐步应用到医院、商场等公共场合,运动目标检测算法是该智能系统的关键技术之一。文章首先从比较现有的典型运动目标检测算法出发,然后引入Ostu算法用于目标检测的图像处理过程中选取最佳阈值,最后针对其实际存在的问题,给出了一种改进方法及测试结果。     

一种改进的PBAS运动目标检测算法

针对现有PBAS目标检测算法在动态背景下存在着误检率高、检测精度较低的问题,提出了一种将改进的自适应决策阈值更新策略与优化处理方法相结合的目标检测算法。该算法首先使用改进的自适应前景判断阈值进行目标检测,然后对检测的结果使用前景点生命周期机制、形态学处理等方法进行优化处理。实验结果表明,与传统的PBAS算法相比,该算法在动态背景下可以更精确有效地提取出运动目标,准确度平均提高13%。     

一种基于位移概率矩阵的目标跟踪方法

针对非刚体目标跟踪问题,提出了一种采用快速块运动估计算法SSC-APDS计算位移概率矩阵的新方法.由SSC-APDS首先计算出可能位移的误差和(SAE)曲面,并据此形成位移概率矩阵.在此基础上,采用一个基于位移概率矩阵的时间滤波器来完成对目标特征块的运动分析.最后根据各特征块的运动情况,得到目标的整体运动.实验证明该跟踪方法不仅具有很好的鲁棒性,且计算效率高,在以视频网格为平台的视频监控系统中跟踪效果好.