基于嵌套滑动窗口的数据流缺失数据填充算法

提出了一种基于嵌套滑动窗口的缺失数据填充算法.考虑到传感器数据流的时效特性,采用嵌套滑动窗口选取空间相关度高且距离最近的数据作为样本数据,之后分两种情况对缺失数据进行填充.算法首先通过皮尔逊相关计算对数据的空间性进行分析,应用嵌套滑动窗口对缺失数据相关的数据进行采样,得到强相关数据,之后采用MKNN算法进行精确填充.通过皮尔逊相关分析和嵌套窗口采样,极大地降低了数据样本大小,提高了缺失数据处理实时性;对于不具有强的空间相关的缺失数据,考虑到短时间内采集数据间强的时间相关性,采用线性相关法对数据进行填充,降低算法复杂度.实验表明,该算法能够实时、精确地对数据流缺失数据进行填充.     

复杂背景下改进的红外弱小目标检测

许多研究者关注红外弱小目标检测领域并进行过种种探索，然而复杂背景下检测的难题始终未得到满意的解决。复杂背景下的杂波难以消除，目标检测无法得到显著结果。为此，本文提出了一种基于高升压滤波器的加权三层窗口目标检测算法HB-WTLLCM（High-Boost Weighted Tri-Layer Local Contrast Measure），针对复杂背景的目标检测进行目标增强，从而提高检测率。本文算法首先利用改进的高升压滤波器对红外原始图像进行预处理，再利用三层嵌套窗口，根据目标形状进行局部对比度增强。最后引入一种基于复杂度评估的加权算法，进一步进行目标增强和随机噪声抑制。实验数据显示，本文提出的算法相比于主流算法在多建筑、多树木的复杂背景下目标增强能力更强，检测率更高。上述结果提示，本文提出的HB-WTLLCM算法对于复杂场景下红外弱小目标进行检测具有一定优势。     

采用自适应背景窗的舰船目标检测算法

针对合成孔径雷达(SAR)图像应用中,传统滑动窗口检测算法无法对近距、近岸或不同大小目标实现精确检测的问题,提出了一种自适应窗口的舰船目标检测算法。该算法首先利用阈值滤波实现海面的分离,然后通过对分离后待检目标的像素体积统计,剔除大体积陆地目标,得到待检目标,并根据其像素分布设置自适应窗口,通过对自适应窗口内目标像素和背景像素的分离统计,最终拟合得到待检目标附近背景的K-分布概率模型进行恒虚警检测。相对于传统滑动窗口检测算法,自适应窗口检测算法可实现对目标背景像素的精确统计及K-分布拟合,以及对舰船类目标的精确检测。实验结果证明,在相同的虚警概率条件下,对复杂海面情况的SAR图像进行舰船检测,自适应窗口检测算法比传统局部窗K-分布的恒虚警检测结果的品质因子高0.34。     

复合滑动窗口连接算法

滑动窗口是对数据流进行连续查询处理、得出近似查询结果的一种常用的数据采样技术．连续查询处理的执行方式有2类：一类是立即执行方式；一类是周期执行方式、在已有的研究工作中，基于滑动窗口的连接算法都是适用于立即执行的连续查询．提出了适用于周期执行的连续查询的复合滑动窗口连接算法，即CSWSNLJ算法和CSWSNHJ算法．理论分析和试验结果表明CSWSNHJ算法具有较好的性能．     

基于滑动窗口的遥感图像人造目标检测算法

提出一种基于滑动窗口的人造目标检测算法.首先,根据图像的平滑性将整个图像划分为平滑与非平滑图像区域;然后,在非平滑区域随机生成一系列滑动窗口,并融合4种目标特征的度量准则构造一个判别滑动窗口目标性的评分函数,检测算法根据评分函数的取值判别窗口中是否包含人造目标;最后,在人造目标图像集上进行的实验表明:该算法能准确地检测出图像中的人造目标,并具有一定的抗噪声干扰能力.     

候选框算法在车辆检测中的应用分析

多尺度滑动窗口是众多目标检测方法采用的搜索策略,但数量巨大的窗口(约十几万的量级)使得计算复杂度大大增加,降低了算法的有效性。为此,候选框算法替代滑动窗口方法被应用于目标检测中。分析评价候选框算法在车辆检测中的应用效率。构造了图像规模为1000的车辆数据集。采用此数据集,研究分析了Edge boxes算法、Selective search算法和Objectness算法的召回率和计算效率。根据场景和光照条件,选取了阴影场景、拥堵场景、夜间场景来分析不同算法的性能并探讨了其局限性。实验结果证明,Edge boxes算法在整体数据集中性能最优,召回率为0.91。但其在夜间场景中仅为0.4左右,此类场景下算法性能并不理想。     

自适应多窗口梯度幅值边缘检测算法

针对梯度幅值边缘检测算法无法检测连续边缘的问题,提出一种自适应多窗口梯度幅值边缘检测算法.首先使用传统梯度幅值边缘检测算法检测出初始边缘;然后在初始边缘上检测端点,使用K-均值聚类算法对端点进行分类,从而确定背景和目标灰度值接近的区域作为窗口;最后在窗口内使用梯度幅值检测边缘,通过多个窗口的并集得到最终的边缘.实验证明采用所提出的算法可以得到比较完整的边缘图,定位误差比传统的边缘检测算法小.     

交通车辆轮廓跟踪算法研究及其工程应用

针对模式识别在智能交通领域的实际工程应用,提出了一种提取运动车辆轮廓线的精细跟踪算法．首先,通过冗余离散小波变换法提取运动区域,检测出相邻两帧图像内的运动变化从而确定运动对象的存在及其初始位置;其次,以当前帧运动区域为参考,通过改进的mean-shift算法在后续帧中跟踪运动对象的中心位置;最后,以mean—shift跟踪窗口作为目标初始轮廓线,采用自适应水平集法得到目标轮廓,从而精确定位运动对象位置．实验结果表明本文算法能够以轮廓线的方式以较高精确度跟踪运动车辆目标,目前已被市交通局科研单位采纳,具有一定的工程应用前景．     

非均匀噪声下基于双剔除门限的恒虚警目标检测算法

为了解决雷达检测算法在非均匀噪声环境下目标检测性能严重下降的问题,在分析实际回波杂波分布特性的基础上,提出了一种基于双剔除门限的恒虚警目标检测算法,通过双剔除门限将极大极小干扰信号从参考窗口中剔除,实时精确估计背景噪声功率.经过与各检测算法仿真对比,该算法在多目标干扰、遮挡和杂波边缘干扰等非均匀背景噪声环境下仍具有最优的检测性能和鲁棒性.结果表明,所提出的目标检测算法在非均匀噪声环境下具有良好的检测性能.     

基于像素分类的像素值阈值噪声检测算法

针对图像噪声常见的三种脉冲噪声模型,在像素差异均等性原则下,以窗口分块方式将图像像素分为噪声像素和非噪声像素子集,进而以噪声图像上下像素值阈值推导噪声类型判别式,得到一种非线性像素分类的图像噪声检测算法.以经典图像(Lena、Baboon)分别叠加上不同密度噪声进行噪声图像检测算法仿真测试,由检测精确性和正确性来评估所提出的检测算法的检测性能.仿真结果表明,该检测算法具有较好的检测效果,缺点是容易将部分非噪声像素识别为噪声像素.     

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Faster R-CNN的自然场景文字检测算法

自然场景中的文字受光照、污迹、文字较小等方面的影响,其检测难度较大,且传统的检测方法效果不好。在研究目标检测方法Faster RCNN的基础上,提出一种针对自然场景文字的改进方法。改进的模型由卷积神经网络特征提取模块,嵌套LSTM(nested long short-term memory,NLSTM)模块和区域候选网络(region proposal network,RPN)模块3部分组成,改进点主要是卷积神经网络特征提取模块增加了不同卷积层的空间特征融合,能够提取多层次的特征;增加嵌套LSTM模块能够学习长序列文本的序列特征,便于检测不定长度的文本序列;RPN模块通过设置宽为8像素,高度不定的锚点(anchor),可以提取一系列可能存在的目标建议框,其对小目标文字效果较好?。在实验部分,通过对标准数据集(ICDAR 2013,Multilingual)的实验结果对比表明,所提出的改进算法在准确率和效率方面明显优于改进前的算法。通过实列测试,改进的模型对小目标文字检测效果也有所提升。     

基于动态MDONPE算法的间歇过程故障检测

针对间歇过程数据存在的非线性和动态特性导致故障检测效果不佳的问题,提出一种基于滑动窗(sliding window,SW)的多向差分正交邻域保持嵌入(multiway differential orthogonal neighborhood preserving embedded,MDONPE)算法.首先对间歇过程数据...     

基于最大值参考单元的双剔除门限恒虚警目标检测算法

针对传统恒虚警目标检测算法在非均匀噪声环境下虚警率过高的问题,提出一种基于最大值参考单元的双剔除门限恒虚警(dual censoring threshold based on maximal reference cell-constant false alarm rate,DCT-MRC-CFAR)目标检测算法.基于参考窗最大值参考单元得到剔除比较门限,通过比较,剔除极大值参考单元,根据剩余参考单元的数量选择参考窗中剔除后剩余参考单元或者参考窗中全部参考单元来估计背景噪声功率,并得到功率检测门限.与其他算法进行仿真对比,DCT-MRC-CFAR算法在均匀噪声环境下,检测性能接近于单元平均恒虚警(cell averaging-constant false alarm rate,CA-CFAR)算法;在非均匀噪声环境下,检测性能较稳定,且优于自动删除单元平均恒虚警(automatic censored cell averaging-constant false alarm rate,ACCA-CFAR)和自动双删除单元平均恒虚警(automatic dual censored cell averaging-constant false alarm rate,ADCCA-CFAR)算法.结果表明,提出的DCT-MRC-CFAR目标检测算法在均匀和非均匀噪声环境下,均具有较优和较稳定的检测性能.     

基于改进YOLOv3的交通标志检测

针对交通标志检测小目标数量多、定位困难及检测精度低等问题,本文提出一种基于改进YOLOv3的交通标志检测算法.首先,在网络结构中引入空间金字塔池化模块对3个尺度的预测特征图进行分块池化操作,提取出相同维度的输出,解决多尺度预测中可能出现的信息丢失和尺度不统一问题;然后,加入FI模块对3个尺度特征图进行信息融合,将浅层大特征图中包含的小目标信息添加到深层小特征图中,从而提高小目标检测精度.针对交通标志数据集特点,使用基于GIoU改进的TIoU作为边界框损失函数替换MSE函数,使得边界框回归更加准确;最后,通过k-means++算法对TT100K交通标志数据集进行聚类分析,重新生成尺寸更小的候选框.实验结果表明,本文算法与原始YOLOv3算法相比mAP提升11.1%,且检测每张图片耗时仅增加6.6 ms,仍符合实时检测要求.与其他先进算法相比,本文算法具有更好的检测精度和检测速度.     

基于显著点提取的红外弱小目标检测

根据人类视觉感知理论,采用bottom-up控制策略的预注意机制和top-down控制策略的注意机制,提出了一种适用于自动目标识别的目标检测算法.该算法首先对输入图像进行非均匀区域分割,根据对象的显著性特点,在已分割好的各个区域提取出显著性点作为潜在目标点,得到潜在目标点集合,之后采用改进的双滑窗算法对这个集合进行更为细致的识别,剔除伪目标,检测出真实目标.实验表明,该算法具有良好的检测效果,预注意机制有效降低了算法运行的时间,改进的双滑窗算法使得检测的鲁棒性更强,对于目标区域带有运动阴影的红外图像以及复杂背景下的红外图像均能进行正确的检测.     

探地雷达目标检测中的加窗统计量定位方法

 目标检测与定位是探地雷达的一个重要问题。目前,多数检测与定位方法都是通过判断探地雷达信号中的双曲线特征实现的。在检测目标大致区域的基础上,要实现目标定位,无论是合成孔径算法还是叠加-幅度波速法,都存在计算量大的问题。现有的统计量方法还需依赖霍夫变换方法检测出双曲线,算法也较复杂。根据探测背景介质结构相似及在探测方向上利用整个A-scan进行统计量计算干扰较大的特点,提出了一种探地雷达目标快速定位方法。首先以能量和方差为统计量,在深度方向上判断出目标区域的时间窗口,而后在探测方向对A-scan加窗,只选择该窗口下的部分A-scan数据,以能量为统计量确定目标的位置。由于仅采用方差、能量两个统计量进行计算,算法实现比较简单,并且采用时间加窗方法去除了回波数据上大部分与目标无关数据的干扰,对目标的定位准确度较高。实测数据表明,该方法适用于探地雷达目标检测中对目标的快速准确定位。     

基于时域廓线的云杂波背景下红外弱小目标检测

根据目标和背景时域特性,建立了目标、云杂波边缘、干净天空背景以及云内部四种像素点的时域模型.并以这四种时域模型为基础,提出了一种云杂波背景下基于时域廓线的弱小目标的检测方法.检测前利用最大中值滤波器进行空域处理,去除了大部分云边缘虚警点.理论分析和实验结果表明,该算法能有效检测出云杂波背景下的小目标.     

Vegas算法对不对称空间链路性能的影响

不对称空间链路TCP性能对空间网络十分重要。基于NS2,建立空间网络TCP场景,在比较几种TCP拥塞控制算法的基础上,重点研究了Vegas算法对不对称空间链路性能的影响。仿真结果表明：Vegas算法的窗口门限值α、β的增大能增加吞吐量,相应的窗口值将变。Vegas算法的估计缓存区里的包数δ影响窗口的大小,δ为默认值时吞吐量较大。