基于偏振图像的低照度场景多目标检测算法

偏振光反射信息可直接反演目标本征特性,且在传输过程中具备较强的抗干扰特性,因此偏振成像技术可适用于多种复杂环境中的智能监控、交通监察领域。近年来使用深度学习判读图像检测目标的方法迅速发展,已经广泛应用于图像处理的各个领域。本文提出了一种基于偏振图像与深度神经网络算法的行人、车辆多目标检测算法YOLOv5s-DOLP。首先,通过实时获取到偏振图像进行偏振信息解析,获取目标偏振度图像。其次,为增强偏振度图像中检测目标与背景存在高对比度的特性,在主干网络中引入通道注意力与空间注意力,提升网络特征进行自适应学习的能力。此外,使用K-means算法对目标位置信息进行聚类分析,加快网络在偏振度图像的学习速度,提升目标检测精度。实验结果显示,该算法结合了偏振成像和深度学习目标检测的优势,对于低照度复杂场景中的车辆、行人目标检测效果好、检测速度快,对于道路车辆的目标检测、识别与跟踪具有一定的应用价值。     

基于立体视觉的人体头部目标识别研究

使用立体视觉系统可确定任意物体的三维轮廓及其表面任意点的位置信息和深度信息。本文将立体视觉运用于人体头部目标检测,设计了一种基于图像深度信息处理的人体头部识别系统。系统采用Xtion摄像机采集场景的深度图像,并对其进行特征分析,根据深度图像的特点以及头部的特征确定头部目标区域。再对目标区域采用Mean Shift算法进行聚类处理,得到清晰的图像边缘。最后通过基于动态阈值的一维熵函数分割法实现头部的分割识别。该系统可快速锁定目标区域,减少了算法的计算量,大大提高了系统的识别速度。此外,采集深度图像的xtion摄像机悬挂在目标场景的正上方,因而较好的解决了目前人体目标检测受遮挡的问题。经实验论证,该系统有较高的识别精度。     

基于内容的海量监控视频的多层次检索系统

设计和实现了一种基于内容的海量监控视频的多层次检索系统。该系统首先从监控视频中提取关键帧图像,其次利用行人检测、人脸识别及车辆检测等算法将关键帧中的行人图像、人脸图像和车辆图像等感兴趣目标提取出来,然后提取这些图像的颜色、纹理等特征,利用改进的LIRe(Lucene Image Retrieval)建立分布式的特征库,最终形成了多层次的信息数据库。实验表明,该系统具有较高的检索准确率和较快的检索速率,并支持海量监控视频的检索。     

基于深度学习的Andriod恶意应用程序检测系统

设计了一个基于深度学习技术的恶意应用程序检测系统。该系统的实现主要由三大部分组成:安全与恶意APK代码特征的提取模块、深度学习模型的"训练"模块、深度学习模型检测未知APK样本模块。系统协助设备用户有效应对大数据人工智能时代的恶意入侵威胁和个人隐私信息泄露威胁。     

基于深度学习的SAR图像舰船目标检测综述

近年来,合成孔径雷达成像技术因具备全天时和全天候的目标感测能力,在海洋实时监测和管控等领域发挥着重要作用,特别是高分率SAR图像中的舰船目标检测成为当前的研究热点之一。首先分析基于深度学习的SAR图像舰船目标检测流程,并对样本训练数据集的构建、目标特征的提取和目标框选的设计等关键步骤进行归纳总结。然后对检测流程中的各部分对SAR图像舰船目标检测精度和速度的影响进行对比分析。最后根据当前研究现状,深入分析深度学习算法在舰船检测应用中存在的问题,探讨基于深度学习的SAR图像舰船目标检测的进一步研究方向。     

采用深度卷积神经网络方法的毫米波图像目标检测

通过收集大量的毫米波图像并建立相应的人体数据集进行检测,提出基于Faster R-CNN深度学习的方法检测隐藏于人体上的危险物品。该方法将区域建议网络和VGG19训练卷积神经网络模型相结合,构建了面向毫米波图像目标检测的深度卷积神经网络。为了提高毫米波图像的处理能力,采用Caffe深度学习框架在图形处理单元上进行训练和测试。实验结果证明了基于Faster R-CNN深度卷积神经网络的目标检测方法能有效检测毫米波图像中的危险物品,并且目标检测的平均准确率约94%,检测速度约为6 frame/s,对毫米波安检系统的智能化发展有着极其重要的参考价值。     

基于深度学习算法的校园吸烟检测方案设计

为了提升校园公共区域禁烟监督管理的效率,文章提出了基于深度学习算法的吸烟行为检测方案。文章结合图像处理技术与深度学习算法对采集到的图像进行检测,通过人脸检测算法对人脸进行定位与裁剪,以降低背景信息的干扰。文章选取裁剪后的图像中的嘴部区域作为感兴趣区域,并利用目标检测模型对嘴部的香烟进行检测。文章方案并结合物理设备可有效地对校园公共区域吸烟情况进行检测,有助于进一步推进智慧校园的建设。     

SAR图像飞机目标检测识别进展

目标检测与识别是高分辨合成孔径雷达(SAR)领域的热点问题。机场上飞机作为一种典型目标，其检测和识别有一定的独特性。该文回顾了SAR图像典型目标检测识别领域技术的发展过程，分析了SAR图像中飞机目标的散射机制及面临的技术难点，阐述了 SAR 飞机目标检测识别的系统流程、技术路线和关键科学问题，对基于传统与基于深度学习两个方面的飞机目标检测识别的研究进展进行了归纳总结，并讨论了各类方法的特点及存在的问题，展望了未来的发展趋势。该文认为如何将深度学习与目标电磁散射机理结合、提高网络或模型的泛化能力是提升SAR图像中目标检测识别精度的关键，并给出了一种基于散射信息与深度学习融合的飞机目标检测方法。      

基于ARM的视频监控系统

设计了一种基于三星ARM9的S3C2440芯片的视频监控系统.该系统通过摄像头采集图像并对图像进行运动检测和压缩编码.实验结果表明该系统保持了图像传输的流畅性,同时能够时运动的入侵目标进行闪烁标注,达到入侵、运动检测的目的.     

一种基于单片机的移动目标监控系统研究

针对目前大部分监控系统对移动目标物的监控要求越来越高,设计了一款基于单片机的嵌入式移动目标监控系统。系统以目前功能强大的AT89S52单片机为核心,采用适合人体视觉特性的Itti模型来处理拍摄到的视频图像。从视频图像颜色特征图与亮度特征图两方面来对采集到的图像进行检测与分割构成图像显著图,根据移动目标物质心的变化来跟踪图像。仿真表明,该系统能有效监控与锁定目标物,具有较强的自适应性。     

基于双模态特征增强的目标检测算法研究与应用北大核心CSCD

为提升目标检测算法在复杂环境下的精确性和实用性,将多源信息和深度学习技术相结合,提出了一种基于双模态特征增强的目标检测方法。该方法以红外和可见光图像作为输入,利用颜色空间转换、边缘提取、直方图均衡化等传统图像处理方法丰富图像信息,达到数据增强效果;特征提取部分采用卷积神经网络结构分别提取目标红外及可见光信息,并设计混合注意力机制分别从通道和空间位置角度提升有效特征权重;同时,针对目标双模态信息,引入了自适应交叉融合结构,提高特征多样性;最后,利用交替上下采样将目标全局和局部特征充分融合,并以自主选择方式提取目标相关特征实现检测。通过在标准数据集以及实际场景数据集上的实验结果表明,所提方法有效融合并增强了目标多模态特征,提升了目标检测效果,并能较好的应用于电网场景中,辅助机器人完成目标设备检测。     

基于视觉传感网络的目标跟踪系统设计

为了减小当前智能视觉跟踪系统对于背景模型的依赖,增强系统的抗干扰性,设计一种新型的基于视觉传感器网络的物体检测与跟踪系统。系统采用MeteorⅡ-Standard图像采集卡采集监控区域中的目标物体图像,通过无线传感网络对监测范围中的目标图像信息进行变换、传输、存储和处理,使用CP-132IS串口卡将图像处理数据传输给控制器,控制器基于传感网络节点反馈的目标坐标信息,对目标位置进行标定,软件设计过程中,详细分析系统实现目标跟踪的流程,主要包括目标物体检测、节点数据处理、节点间的数据通信以及控制器存储并标定目标位置四个部分,并给出系统视觉库和摄像头模块的关键程序代码。实验结果表明,所提系统具有较高的目标跟踪精度,应用价值高。     

融合雷达和视频的目标检测系统

本文设计的基于雷达和视频融合的目标检测系统引入人工智能技术,采用基于深度卷积神经网络CNN的目标检测算法,能够全天候大范围实时监控移动目标,自动跟踪其运动轨迹并记录,检测出可疑目标后实时报警,并将报警信息上传至指挥中心,实现了智能、主动、高效可靠的全方位防范。     

基于DSP的运动目标自动跟踪系统的设计与实现

为了使视觉监控系统具有自主能力,设计了一种基于嵌入式高速DSP处理器Blackfin533的运动目标自动跟踪系统。文中分别介绍了系统的硬件和软件设计。该系统运用差分图像法,通过阈值图像分割来检测运动目标,并采用形心跟踪算法来自动跟踪目标。实验结果表明该系统取得了较好的跟踪效果。     

基于深度学习算法的三维激光雷达主动成像目标检测

为了提升目标检测效果，设计基于深度学习算法的三维激光雷达主动成像目标检测方法。利用深度学习算法的生成对抗网络，剔除三维激光雷达主动成像过程中的杂波干扰，得到无杂波干扰的目标三维图像；设计生成模型与对抗模型的损失函数，利用端到端深度神经网络的点云编码层，在无杂波干扰的目标三维图像内，提取目标三维图像特征，并输入目标检测层内；通过目标检测层输出目标检测候选框，利用非极大值结合混合置信度，确定最终目标检测框，完成三维激光雷达主动成像目标检测。实验结果表明：该方法可有效剔除杂波干扰，得到无杂波干扰的目标三维图像；该方法可有效完成三维激光雷达主动成像目标检测，且在不同目标运动模糊长度像素时，该方法目标检测的交并比均高于阈值，说明该方法的目标检测精度较高。     

应用于水下目标检测的YOLOv7算法模型

水下图像目标检测与陆地环境目标检测相比,水下场景表现出更大的复杂性。这会导致捕获图像中的背景颜色发生明显变化,从而影响基于深度学习的通用目标检测模型的检测精度。为了应对这一挑战并提高水下图像目标检测的精度,设计一种CBAM-CRMS注意力机制模块,将该模块嵌入YOLOv7检测模型,通过实验验证了改进算法的优越性能。     

基于深度学习的交通事件检测系统设计

建立完善的交通事件检测系统,已经成为我国智能交通系统的重要组成部分。文章从数据和算法2个方面深入分析了交通事件检测场景特征,设计了一种基于深度学习的交通事件检测系统。文章提出了一种混合架构的联合学习网络,通过综合利用ViT和Swin Transformer的优势解决了图像多标签分类问题的挑战;设计了一系列数据增强方法,应对数据不平衡性对深度学习模型的影响,并有效缓解了模型过拟合问题。实验结果表明,该系统在交通事件检测中具有更好的准确性和泛化能力,已应用到多个实际项目并取得了良好的应用效果。     

基于红外热成像与YOLOv3的夜间目标识别方法

红外热成像图像反应物体温度信息,受环境条件影响较少,对于特定条件下的夜间安防监控、行车辅助、航运、军事侦查等方面具有很强应用价值。近年来使用人工智能对图像中目标检测与识别技术发展突飞猛进,广泛应用于各个领域。本文提出了一种结合红外热成像图像处理技术与人工智能目标识别技术的夜间目标识别方法。实时采集热成像视频进行预处理,增强其对比度与细节,使用基于深度学习技术的最新目标检测框架YOLOv3对采集处理后的热成像图像中特定目标进行检测,输出检测结果。测试结果表明,该方法对于夜间目标识别率高、实时性强,结合了红外热成像夜间监测和人工智能目标检测的优势,对于夜间的目标识别、跟踪技术具有重大应用价值。     

机载SAR图像解译系统设计研究

针对机载SAR系统应用的海量SAR图像数据的存储管理、态势显示和快速解译等需求,本文提出了一种基于客户端/服务器端（C/S）架构的机载SAR图像解译系统的解决方案。本文介绍了该方案的系统软件架构和硬件架构,重点阐述多源异构海量数据管理、基于OSGEarth的地图和图像叠加显示、基于金字塔的大图像显示、基于深度学习的目标自动检测等关键技术;描述了数据管理、SAR图像显示和SAR图像目标检测识别等功能,其中海量数据的有序管理和查询功能,有效解决海量数据存储管理问题;SAR图像数据的地图叠加显示功能,为图像解译奠定基础;基于深度学习的智能检测识别等功能,满足SAR图像实时快速解译需求。     

多模态传感器融合在智能视频监控中的应用

<正>随着科技的不断进步,多模态传感器在智能视频监控领域发挥着越来越重要的作用。本文深入探讨了多模态传感器的数据特征,包括图像信息、语音信号和环境参数,并详细研究了多模态数据融合在智能视频监控中的应用方法,包括特征级融合、决策级融合和概率统计建模。在此基础上,文章还探讨了多模态传感器在智能视频监控中的具体设计,包括目标检测与识别、异常行为分析判断以及智能预警与提示等方面。通过深度学习和人工智能等技术手段,多模态传感器的融合应用使得监控系统更加智能化和准确。