基于线矩特征的破损目标识别

论述了用曲线的矩特征作为局部不变量来识别二维破损目标的方法。该方法对目标的轮廓进行分割后，利用阶次规正后的轮廓线矩特征，通过粗、细两级的基于Ｈｏｕｇｈ变换的投票匹配法来识别目标。分类实验表明，该方法有利于提高目标局部特征的抗噪性，并简化了破损目标的匹配和识别算法。     

基于初级视觉模型的Hough变换的改进算法

Ｈｏｕｇｈ变换是图象分析的重要工具之一，但是Ｈｏｕｇｈ变换的运算量很大，这给实际应用带来很多不便，文章提出了一种基于初级视觉模型的Ｈｏｕｇｈ变换的改进算法，该算法可以大大地降低算量，降此之外，该算法可以直接针对原始图象进行，而不是象普通方法那样针对边级图象进行，因此可以省略图象的预处理，边缘提取等步骤，从而进一步加快处理速度。     

基于自适应3D－Hough变换方法估计三维物体的位置参数

本文提出一种基于３Ｄ－Ｈｏｕｇｈ变换检测深度信息图像中平面特征及估计三维物体位置参数的新算法．利用３Ｄ－Ｈｏｕｇｈ参数空间中位移和旋转相分离的特征，多层次地估计物体的位置参数．因为该算法直接从输入的深度信息图像获得几何特征，所以该算法具有较好的鲁棒性．     

Hough 变换用于提取试件边缘参数的研究

提出了一种采用二次迭代量化的灰度Ｈｏｕｇｈ变换提取试件边缘参数的新方法。它首先在整个参数空间内进行低精度的量化和第一次Ｈｏｕｇｈ变换以提取边缘的初检参数，然后在以初检参数为中心的一个空间邻域内进行高精度的量化和第二次Ｈｏｕｇｈ变换以提取边缘的精度参数。它有效地克服了常规Ｈｏｕｇｈ变换所存在的缺点。实验结果证明该方法具有抗干扰能力强、检测精度高、实时性好等优点。     

基于广义Hough变换的部分遮挡物体识别

描述了一种基于广义Ｈｏｕｇｈ变换的部分遮挡物体识别方法．该方法分建模及识别两个过程，在识别过程中，景物图象经特征抽取、组合特征匹配、变换矩阵计算，进而根据广义Ｈｏｕｇｈ变换在参数空间求出与景物对应的模型类及相应的变换矩阵．由于用了广义Ｈｏｕｇｈ变换，物体识别过程中不必求出物体的全部特征，因而能较好地识别部分遮挡的物体，且该方法对噪声不敏感．为了说明该方法，还给出了一个２Ｄ识别简例及在一微机系统对工作台上堆集的工具的识别结果     

小波模极大值匹配算法的瞬变信号检测

分析了井下电磁脉冲数据传输中接收到的瞬变信号和噪声的小波变换模极大值在各尺度上的特点。在此基础上,结合匹配滤波器理论提出了瞬变弱信号小波变换模极大值匹配算法,该算法可以有效的区分信号与噪声的最佳尺度模极大值并检测信号。仿真结果表明,与小波模极大值方法相比,匹配算法实现瞬变弱信号的检测更为有效。     

人民币纸币冠字号码字符识别方法研究

以倾斜校正算法和模式识别算法2项核心技术为目标,充分利用霍夫变换法和最小二乘法在直线检测中的优点,采用一种结合霍夫变换法和最小二乘法的直线检测算法来求得人民币纸币图像的边缘直线及边缘直线的倾斜角度参数,并采用图像旋转变换算法实现对原倾斜人民币图像的倾斜校正.采用Hopfield神经网络的联想记忆功能,缩小待识模式与标准模板的差异,再用模板匹配法对Hop field神经网络的输出结果进行识别,得到最终的识别结果.实验证明,结合Hopfield神经网络和模板匹配法的人民币冠字号码识别方法具备较高的识别率.     

小波变换在图像去歪斜中的应用

提出一种基于小波变换的图像去歪斜方法。图像去歪斜的关键在于边缘检测和边框提取。边缘检测采用由粗到细的方法，利用小波变换的多分辩率特性，得到的结果较传统的方法有更好的去噪和定位性能，并能保留必要的细节。边框提取则是用改进的Ｈｏｕｇｈ变换寻找直线，将参数空间二次量化，在一定程度上解决了常规Ｈｏｕｇｈ变换抗干扰性和精度之间的矛盾。     

小波变换在回波信号检测中的应用

基于小波变换品质因数不变性的特点,结合适当的小波基,探讨小波变换在回波信号检测中的算法。在算法分析基础上,从检测原理、检测步骤、计算机仿真方面阐述如何利用小波变换检测回波信号时差,以确定回波信号的奇异点(回波信号到达时间点),进而确定被探测目标的位置。小波变换具有表征信号局部特征的能力,适于分析信号中的瞬态和奇异现象,并可展示其成份。所述的算法分析、小波基的选择及小波变换阶的选择等,为地下目标探测中的信号处理,提供了算法依据和应用方法参考。     

基于Zoom-FFT变换域的坦克被动式毫米波探测识别方法

为了准确识别目标,在对坦克毫米波辐射特征进行分析的基础上,提出了一种基于变换域的模板匹配识别方法.利用信号在Zoom-FFT变换后特征谱线集中、易于与噪声分离的特点,在变换域制作坦克毫米波辐射特性模板;将经过滑动加窗处理的待检测信号序列,进行Zoom-FFT变换后,与变换域模板进行匹配,实现目标的识别.该匹配方法综合利用了信号的波形信息,抗干扰能力强,鲁棒性好,实时性强.对168组坦克目标特性和干扰信号的仿真结果表明:该模板匹配方法能够有效识别坦克目标.     

一种评价自动目标检测算法性能的方法

提出一种自动目标检测算法性能的评价方法，设计了一种实景目标背景图像合成方法，由此可以得到满足测试目标检测算法性能的要求且度量参数调整方便的测试图像集，确定了１６个图像质量度量指标，建立了性能评价的响应函数模型，采用因子分析、多元相关回归分析和Ｌｏｇｉｓｔｉｃ回归分析方法，研究算法性能与图像度量的统计关系，实验表明，所提出的目标检测算法性能评价方法是合理的。     

四帧间差分和改进混合高斯模型对运动目标的检测

针对运动目标检测过程中已有算法难以同时提高准确性和实时性的问题,提出四帧间差分结合改进的混合高斯模型(Gaussian mixture model,GMM)算法,首先利用四帧间差分对预处理的视频帧差分处理,得到背景区域和运动区域;其次,使用改进的GMM,借助计数器调整高斯模型,提高高斯分量的自适应性,根据单位灰度值确定高斯分量个数,并引入敏感参数改进传统混合高斯模型对学习率的依赖;模型更新时借助计数器确定更新时机;最后,对结果使用形态学处理,提高目标提取的精确度。与已有算法的性能相比,查准率和查全率的调和平均值提高了约44.8%,对GMM算法的改进使得模型训练与检测的计算时间分别缩短至原算法的0.16倍、0.27倍,相比传统的混合高斯模型和文献中的方法,计算时间分别缩短至1/54、1/4、16/25,且对多种场景均能有效适应。     

数字图像边缘检测的模糊聚类研究

数字图像的边缘检测实际上是一类聚类的问题,这些边缘由许多线段、曲线或平面和曲面所构成,组成了不同的类属和分割的区域,可以用在机器人视觉的模型识别、军事目标识别等领域。模糊聚类法（包括模糊均值聚类法和模糊球壳聚类法）具有不必事先对数据中的边界特征信息了解太清楚的优点,为此通过实验对其进行了有益的探索。     

基于改进YOLOv5算法的复杂场景交通目标检测

实时的交通场景目标检测是实现电子监控、自动驾驶等功能的先决条件.针对现有的目标检测算法检测效率不高，以及大多数轻量化目标检测算法模型精度较低，容易误检、漏检目标的问题，本文通过改进YOLOv5目标检测算法来进行模型训练，再使用伪标签策略对训练过程进行优化，然后在KITTI交通目标数据集上将标签合并为3类，对训练出的模型进行测试.实验结果表明，改进的YOLOv5最终模型在该所有类别上的mAP达到了92.5％，对比原YOLOv5训练的模型提高了3％.最后将训练的模型部署到Jetson Nano嵌入式平台上进行推理测试，并通过TensorRT加速推理，测得平均每帧图像的推理时间为77ms，可以实现实时检测的目标.     

增量学习灰度与轮廓模板的行人跟踪方法

为了解决云台摄像机的行人跟踪问题,提出了一种基于粒子滤波的行人跟踪算法.该方法在目标灰度模板以外,学习并更新行人目标的轮廓模板.考虑到行人轮廓因为视角变化可能发生的突然改变,算法准备了多套从不同视角观测的轮廓模板,并且逐渐更新它们使之可以逐渐捕捉目标的轮廓特征.在多段云台摄像机拍摄的监控视频上测试了所提出的算法.实验结果显示,该算法比其他先进的跟踪算法有更长的准确跟踪时间.     

起伏背景噪声下地震波传感器阵列目标检测算法研究

针对起伏背景噪声下传统地震波传感器阵列检测算法虚警概率高、检测概率低的问题,提出一种基于信号相关性的阵列目标检测算法.利用传感器阵列在一个检测周期内接收到的数据建立信号检测矩阵,由检测矩阵列向量之间的相关性标记信号中目标成分的大小,进而引入相关性参数并构建检测统计量,利用信号相关消除时变的环境噪声干扰,有效克服起伏噪声对目标检测结果的影响.推导算法虚警概率与检测门限之间的定量关系,得到一定虚警率下的检测概率.基于计算机仿真和舰船目标实测试验对比本文提出算法与现有方法,结果表明本文算法可以在起伏背景噪声下有效检测出目标,且检测性能优于现有检测算法.     

几种典型红外弱小目标检测算法的性能评估

对基于中值相减滤波、最大中值相减滤波、最大均值相减滤波和推广的结构张量的红外弱小目标检测算法的性能进行了评估.针对传统评估方法的不足,提出了一种基于支持向量回归的红外弱小目标检测算法性能评估方法.利用该方法分别从图像背景特性和目标特性2方面对4种检测算法性能的影响进行定量分析和比较.实验结果表明,图像背景特性和目标特性对4种算法的检测性能都有较大的影响,而目标特性与4种算法的检测性能的依赖关系更明显;在4种评估算法中,基于推广的结构张量算法比其他3种传统红外弱小目标检测算法具有更好的鲁棒性.     

基于嵌套窗口的高光谱图像目标检测

针对经典RX检测算法所存在的窗口分析方式的不足,提出一种基于嵌套窗口分析的高光谱图像小目标检测算法,并将这种嵌套方式应用到线性RX、非线性核特征向量空间分解（KEST）算法之中,对不同窗口方式的检测算法以及非线性判别分析检测算法进行了详尽的对比分析．实验表明,在3层嵌套窗口下的文中算法能够获得更好的目标检测效果．     

基于双剔除门限的Switching-CFAR目标检测算法

为了解决传统的目标检测算法在非均匀噪声环境下检测性能严重下降的问题,提出了一种基于双剔除门限的Switching-CFAR（switching-constant false alarm rate based on dual censoring thresholds,DCS-CFAR）目标检测算法。基于参考窗参考单元样本期望值和测试单元,得到双重剔除功率比较门限。通过双重比较,剔除参考窗中极大值参考单元,根据剩余参考单元数,选择合适的参考单元来估计背景噪声功率,并得到功率检测门限。在Matlab环境下,通过蒙特卡洛方法和SwerlingII模型对DCS-CFAR目标检测算法的关键参数,以及在各种仿真环境下与其它目标检测算法的检测性能进行了仿真对比分析,DCS-CFAR目标检测算法在均匀背景噪声下,检测率为98.76%,接近于CA-CFAR算法;在杂波和多干扰目标环境下,检测率分别为97.83%和98.23%。在均匀和非均匀噪声环境下,DCS-CFAR检测算法均优于ACCA-CFAR和GO-CFAR算法。结果表明,提出的DCS-CFAR检测算法在均匀和非均匀噪声环境下, 均具有良好的检测性能。     

基于改进YOLOv5的车辆目标检测研究

针对现有目标检测算法在自动驾驶等领域的车辆目标检测中存在检测精度不高,实时性和鲁棒性较差等问题,本文提出一种基于YOLOv5的车辆目标检测方法.本文在YOLOv5s网络模型框架下,引入一次性聚合（OSA）模块优化主干网络结构,提升网络特征提取能力;并采用非局部注意力机制进行特征增强;同时利用加权非极大值抑制方法实现检测框筛选.实验结果表明,在自制车辆检测数据集上,改进网络模型与原YOLOv5s模型相比,平均准确率均值（mAP）提升3%,不同目标类检测的平均准确率（AP）均得到提升,且检测速度满足实时性要求,对于密集车辆和不同光照条件下均能较好实现车辆目标检测.