一种推求目标相对深度算法研究

根据合成孔径雷达（ＳＡＲ）侧视工作的几何关系,利用由此产生的目标阴影、迎坡缩短和顶底倒置现象,用单幅ＳＡＲ图像定量地测定目标位置的高度,并给出相应的两种算法及实验结果．     

移动目标的深度测量

提出了一种基于散焦图像移动目标深度测量的方法,该方法采用一台带有远心镜头的CCD摄像机,沿光轴方向转移目标拍摄两幅图像,根据所拍摄景物图像的散焦半径与图像大小计算目标景物距摄像机的距离,采用远心光学镜头代替普通镜头可使图像的大小与散焦半径之间的关系简单,该方法融合了图像的大小与散焦半径两个信息,使深度计算更加准确,由于该方法只需要一台参数固定的CCD摄像机,可以免除图像间的配准和特征点的选取,有利于实时系统的实现,实验结果表明了该方法 的有效性。     

一种用于航拍图像的目标检测算法

提出了一种用于航拍图像的目标检测算法DSB-YOLO(depthwise separable convolutional backbone and YOLO)。在YOLOv5s的基础上,首先从主干网提取特征图感受野的角度出发,通过改变卷积核的间隔采样,降低特征图的感受野以便更好地提取小目标的信息;其次,改进了网络Neck部分的特征金字塔模型(feature pyramid network, FPN)和路径聚合网络(path aggregation network, PAN)的特征融合路径,从而使网络浅层采样的特征图中大量位置信息能够与网络深层提取的特征图较好地结合在一起,有效地提高了小目标的准确检出率;接着将C3Transformer模块加入到主干网络中,用来整合全图信息;然后,对网络进行了轻量化处理,把网络主干的部分卷积改为深度可分离卷积并集成了SE注意力机制,其目的是聚焦并选择对目标检测任务有用的信息,从而提升了模型的检测效率。利用VisDrone数据集进行的对比实验结果表明,在输入图像分辨率为1 280×1 280像素时,本文提出的DSB-YOLO算法测试平均精度指标mAP50、...     

基于颜色直方图和深度信息的CamShift目标跟踪算法

基于颜色直方图的Cam Shift目标跟踪方法不能适应复杂环境,特别是环境中有相似颜色干扰的情况.针对这一不足,提出了一种基于颜色直方图和深度信息的Cam Shift目标跟踪方法.通过对比试验,证明深度信息的引入,大大削弱了复杂环境对跟踪效果的影响,提高了目标跟踪的鲁棒性.     

一种改进的运动目标检测算法

针对目标检测过程中的背景变化、光照变化、阴影对检测的影响,提出了一种改进的运动目标检测算法。首先利用改进的统计方法建立了目标的背景模型,并实时地对背景模型进行更新,最后将检测出的目标采用融合HSV颜色信息和纹理特征的混合高斯阴影模型方法来去除阴影。实验结果证明,该算法在场景中有目标运动的情况下。能够准确地建立背景模型,并能去除阴影影响,提高系统的检测准确性。     

基于深度学习的目标检测算法综述

目标检测的任务是找出图像中所有感兴趣的目标（物体）,确定它们的位置和类别。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,使目标检测成为计算机视觉领域中最具有挑战性的问题之一。该文综述了深度学习在目标检测方面有代表性算法的进展与展望。针对基于候选窗口（Region Proposal）的Two-Stage检测框架和基于回归的One-Stage检测框架,分别对有代表性的检测算法进行重点介绍,做出对比与总结;最后讨论目标检测领域存在的困难与挑战,并对未来目标检测方向的发展趋势进行展望。     

一种双目主动立体视觉系统的目标定位算法

首先引入主动视觉空间的概念，即用系统本身运动自由度来表达摄像焦点到空间点的视线，其次，推导了把任意摄像机图像点换到主动视觉空间的算法，最后，采用三角形测量原理对图像特征点进行匹配和定位，因为系统中的各个摄像机独立注视目标，摄像机可以采用较小的视野，这为提高定位精度提供了可能性，采用数值仿真手段对相关理论进行了验证。     

基于EfficientDet的高效目标检测算法研究

针对神经网络训练时收敛慢和模型泛化能力差的问题,文章首先分析传统的和基于深度学习的目标检测算法各自的优势和不足,接着概括梯度下降法各种变体优化算法和现阶段主流数据增强方法对应的优缺点,最后对训练时的优化问题提出组合使用AdaMod和AdamW的训练优化方案,提高了训练网络收敛效率。针对深度神经网络性能表现比较依赖于数据集从而导致泛化能力差的问题,该文使用基于线性插值的数据增强方案,对类别不同的样本之间的领域关系进行建模,增强了神经网络的健壮性。在VOC07+12数据集上实验结果表明EfficientDet-d0检测算法模型参数量、浮点计算量、精度和泛化性能比较均衡,泛化能力得到增强,训练过程收敛更快,验证了该文提出的训练优化方案和使用的数据增强方法是有效的。     

一种改进的阴影映射算法

使用动态、静态两种类型深度纹理相结合的方法对传统阴影映射方法进行改进.在渲染复杂场景时,对静止物体应用静态深度纹理,对运动物体应用动态深度纹理,计算阴影时两种深度纹理取最小值再与当前深度进行比较.该方法需要在渲染过程中实时监测场景中物体的运动和静止状态,将不同状态物体的深度信息记录到不同类型的深度纹理中.实验结果表明,该方法在复杂场景下渲染速度明显提升,改进了虚拟现实场景渲染的流畅度.     

深度学习在目标检测的研究综述

现如今计算机视觉领域的研究热点之一是目标检测,其根本是对图像中指定目标的识别。而深度学习是目前发展快速,应用广泛的一种技术,其具备的学习能力可以在目标检测中对目标进行图像识别、特征提取以及分类识别等操作。通过介绍深度学习的研究进展、分析了各种网络模型的特点。最后总结了深度学习在目标检测领域的应用发展,结合当前问题和挑战,分析了以后的研究发展。     

基于深度展开的SAR大斜视RD成像算法

大斜视角条件下的合成孔径雷达SAR回波信号具有方位向和距离向严重耦合、大距离徙动等特点,采用常规的距离多普勒RD算法成像,会引起方位向的散焦以及空变等问题。为了改善大斜视SAR在成像过程中存在的问题,提出了一种基于深度展开网络的SAR大斜视可学习距离多普勒成像方法。该方法将RD成像方法与深度学习结合,利用RD成像的步骤构建了基于深度展开网络的RD学习成像网络结构,将回波数据作为网络输入来学习回波数据到大斜视SAR图像的成像过程。首先,在分析大斜视SAR回波信号模型的基础上确定了网络成像过程中的可学习参数;其次,根据成像过程设计大斜视SAR成像网络;最后,通过非监督训练的方法对网络进行训练,最终输出学习成像结果。点目标和面目标仿真结果表明,该方法可以有效抑制旁瓣,提高成像精度和计算效率,满足SAR在大斜视角下的成像要求。     

一种新的阴影算法

本文通过对Williams的Shadow Z—Buffer阴影算法的分析和研究,建立了一个圆锥阴影模型,设计了一种新的阴影算法。圆锥阴影模型可以用空间精确的点判别空间精确点的可照性,从而避免了因点取整带来的问题。阴影算法中引入了盒子试验,提高了算法的速度。利用这个模型和算法可以产生任何物体的各种阴影。     

一种基于概率神经网络多信息融合的移动目标跟踪算法

采用概率神经网络（PNN）实现了对图像序列中移动目标——人头的跟踪．由于采用单一特征信息的跟踪算法在复杂环境中往往失效，故以头部的颜色信息模板和头部轮廓的梯度信息模板作为跟踪依据，并通过改变PNN的结构实现了图像信息的融合以及自适应模板修正．实验结果表明，基于PNN的算法在处理目标的旋转和遮挡时有着良好的效果，且具有简单、跟踪鲁棒性好等特点．     

一种双基SAR的SR-ECS成像算法

由于双基SAR的斜距历史和几何关系比单基SAR复杂得多,因而其成像难度较大．文中首先通过级数反演法计算得到了目标的二维频谱,接着通过双基参数的数值近似得到了距离空变量的解析表达式,在此基础上,提出了一种适用于平行等速双基SAR的SR-ECS（series reversion-extended chirp scaling）成像算法．理论分析和实验结果表明,该算法的适用范围广、精度高并且运算量小．     

一种对多目标高概率检测及高精度成像算法

针对传统的SAR-GMTI处理方法都需要获知目标的运动参数才能实现对目标聚焦的问题,提出了Keystone-filter-LVD的SAR-GMTI处理方法,该方法首先进行Keystone变换校正目标基带对应的距离单元走动,后利用剩余整数倍PRF模糊对应的补偿因子构造多个滤波器组进行滤波。该方法能有效的提高检测概率并实现目标高精度成像。     

一种基于背景减法的运动目标检测算法

针对静止摄像机下的运动目标检测问题,提出了一种基于背景减法的运动目标检测算法.首先利用无拘束学习方式迅速建立多个可靠的RGB颜色背景模型,然后在运动目标分割过程中,及时地根据场景变化对背景模型进行更新,同时利用色度信息及局部交叉熵信息去除阴影,得到较为精确的运动目标.在对用普通USB摄像头获取的视频序列实验中,该算法显示了良好的性能.     

一种运动目标检测与跟踪快速算法的研究

运动目标的检测与跟踪是计算机视觉和图像编码研究的主要内容之一,有着广泛的应用领域。而基于光流场的检测与跟踪是其常用的方法之一。本文提出了基于帧间差阈值法和光流场相结合的快速运动目标检测与跟踪算法,计算结果表明该算法简单实用、运算速度快,克服了单纯光流场方法的不足。     

基于深度学习的二值图像目标轮廓识别算法

针对传统目标轮廓识别算法对图像目标轮廓识别精度较低、 效果较差的问题, 提出一种基于深度学习的二值图像目标轮廓识别算法. 首先, 选取深度学习算法中的深度卷积网络算法识别二值图像目标轮廓, 将二值图像划分为不重叠的、 大小相同的子块图像输入深度卷积网络第一层; 其次, 卷积网络中的滤波器（卷积核）采用传统神经网络算法优化的代价函数对输入子块图像实施卷积滤波, 并将卷积滤波后下采样图像发送至第二层, 第二层经过相同处理后将结果输入第三层, 第三层输出图像即为该子块目标轮廓识别结果; 最后, 所有子块识别结束后在输出层通过全连接方法将其聚类, 并输出最终二值图像目标轮廓识别结果. 实验结果表明, 该算法识别15幅二值图像目标轮廓的识别精度平均为98.75%, 信噪比平均为2.42, 识别效果较优.     

基于深度学习的二值图像目标轮廓识别算法

针对传统目标轮廓识别算法对图像目标轮廓识别精度较低、 效果较差的问题, 提出一种基于深度学习的二值图像目标轮廓识别算法. 首先, 选取深度学习算法中的深度卷积网络算法识别二值图像目标轮廓, 将二值图像划分为不重叠的、 大小相同的子块图像输入深度卷积网络第一层; 其次, 卷积网络中的滤波器（卷积核）采用传统神经网络算法优化的代价函数对输入子块图像实施卷积滤波, 并将卷积滤波后下采样图像发送至第二层, 第二层经过相同处理后将结果输入第三层, 第三层输出图像即为该子块目标轮廓识别结果; 最后, 所有子块识别结束后在输出层通过全连接方法将其聚类, 并输出最终二值图像目标轮廓识别结果. 实验结果表明, 该算法识别15幅二值图像目标轮廓的识别精度平均为98.75%, 信噪比平均为2.42, 识别效果较优.