基于红外可见光融合的低能见度道路目标检测算法

红外图像与可见光图像均被广泛用于目标检测领域,但单模态图像难以满足低能见度道路目标检测的需求,因此本文从双模态融合角度出发,提出一种基于红外可见光融合的低能见度道路目标检测算法。首先,运用多种红外可见光双模态图像融合算法对输入图像进行预处理,并对融合图像的均值、标准差、信息熵、平均梯度、空间频率等5个参数进行定量分析,然后,优化训练检测网络得到针对低能见度道路目标的检测模型,最后,从模型训练结果和目标检测结果的角度评估算法和模型的正确性。实验结果表明,本文算法训练出的模型误检率和漏检率较其他算法明显降低,检测精度较现有算法使用单模态图像由75.51%提升到88.86%,且图像处理速度能够满足实时检测的需求。     

基于深度学习SuperGlue的枪弹痕迹自动识别方法

为实现枪弹痕迹自动匹配的准确性,提出了将基于深度学习的SuperPoint特征提取和SuperGlue匹配算法引入枪弹痕迹自动识别研究。通过SuperPoint网络提取弹痕图像特征点位置与描述子向量;研究了SuperGlue的匹配机制,包括注意力机制的图神经网络(GNN)及优化匹配层,将提取的弹底窝痕迹的特征点和描述子使用SuperGlue算法进行匹配。实验表明SuperPoint特征通过SuperGlue匹配,相较于机器学习算法实现了更高的匹配准确度,正确匹配数量提高,为枪支鉴定增加科学性。