面向嵌入式平台的轻量化神经网络手势识别方法

针对传统基于图像分割和特征提取的手势识别算法在复杂背景下识别准确率低、灵活性差的问题,基于目标检测神经网络的手势识别算法可以有效提高复杂环境下手势识别的准确性。受嵌入式处理器体积和功耗的限制,常用的目标检测神经网络在嵌入式上的识别速度较低,不能满足实时手势识别的要求。在SSD目标检测的基础上对其进行优化,使用MobileNetv3网络实现特征提取,目标检测方面则是使用SSD-lite结构,其使用深度可分离卷积替代普通卷积,实现了轻量化MobileNetv3-SSDLite手势识别算法的设计。针对手势识别的要求,制作了包含不同手势的数据集,利用它在服务器上完成了模型的训练。为了满足嵌入式的算力限制,通过模型的量化压缩将float64的网络参数量化为int8,并压缩网络结构,提高网络在嵌入式上的推理速度,实现基于嵌入式的手势识别。实验结果表明,基于嵌入式的MobileNetv3-SSDLite手势识别算法可以达到平均准确率99.61%,且识别速度达到每秒50帧以上,满足实时手势识别的要求。     

复杂红外地面环境下的稳定目标跟踪方法

针对红外目标相关滤波跟踪过程中由于背景杂波干扰、目标遮挡和目标形变等情况导致的鲁棒性差甚至跟踪目标丢失的问题,提出一种融合跟踪-学习-检测方法和相关滤波理论的红外目标跟踪算法.该算法在传统相关滤波框架基础上,融合目标的方向梯度直方图特征和亮度直方图特征,改善了目标轻微形变导致的模型漂移问题.针对背景杂波和遮挡导致的多峰值响应问题,对目标背景区域的相关响应进行惩罚,建立目标和背景响应的多模态检测机制,实现目标由粗到精的定位,并采用自适应的学习率优化跟踪模型的漂移问题;针对目标被严重遮挡或脱离视野的问题,通过全局目标再检测,实现目标的重捕.实验结果表明,在复杂红外地面环境下,该算法有效地解决了相似目标干扰和目标被严重遮挡导致的目标丢失问题.基于OTB-2015视频基准序列和红外视频序列测试,对比多个主流的相关滤波跟踪算法,该算法在跟踪精度和成功率方面较长时相关滤波跟踪算法分别提升了5.6%和4.1%;在目标遮挡指标测试中,该算法在跟踪精度和成功率方面相较长时相关滤波跟踪算法分别提升了4.6%和6.1%.     

融合全卷积神经网络和视觉显著性的红外小目标检测

为提高复杂背景和噪声干扰下红外小目标检测性能,提出了融合深度神经网络和视觉目标显著性的单阶段红外小目标检测算法.首先设计了基于编码器-解码器架构的轻量级全卷积神经网络对红外图像进行分割,实现背景抑制和目标增强;然后利用红外小目标的显著性特征进一步抑制虚警;最后采用自适应阈值法分离出小目标.网络结构中通过引入多个下采样层降低计算量并增大感受野;通过引入多尺度特征提升背景抑制能力;通过引入注意力机制提升模型训练效果.在真实红外图像上的测试表明,本文算法在检测率、虚警率和运算时间等方面都优于典型红外小目标检测算法,适合进行复杂背景下的红外小目标检测.     

基于多特征融合的复杂背景下弱小多目标检测和跟踪算法

针对红外弱小多目标的检测和跟踪难题,提出一种基于多特征融合的复杂背景下弱小多目标检测和跟踪算法.融合红外弱小运动目标的灰度特征、梯度特征、运动特征等多个典型特性,进行复杂背景下弱小多目标的检测和跟踪.实验证明:该算法应用于复杂背景下低信噪比的红外弱小多目标图像序列能得到较理想的结果,算法检测概率高、检测速度快、具有较强鲁棒性.     

红外运动小目标的检测

通过分析天空背景下红外运动小目标、噪音以及背景的特征,提出一种检测方法·首先利用向量小波变换对运动图像进行预处理;其次采用图像差分进行目标的粗检测,提取出候选目标;最后可根据运动目标和噪音的特征对候选目标进行识别,检测出真实的运动小目标·实验证明,该方法可有效检测天空背景下红外运动小目标·     

基于多特征融合的复杂背景下弱小多目标检测和跟踪算法

针对红外弱小多目标的检测和跟踪难题,提出一种基于多特征融合的复杂背景下弱小多目标检测和跟踪算法.融合红外弱小运动目标的灰度特征、梯度特征、运动特征等多个典型特性,进行复杂背景下弱小多目标的检测和跟踪.实验证明：该算法应用于复杂背景下低信噪比的红外弱小多目标图像序列能得到较理想的结果,算法检测概率高、检测速度快、具有较强鲁棒性.     

基于光流的运动小目标检测算法

运动目标的检测是目标识别与跟踪的关键技术之一。光流技术是一种以物体的运动特征来检测目标的方法,它的提出为运动小目标的检测开辟了新的空间。在一个搜索跟踪系统中使用光流技术检测和跟踪空中小目标,目标大概为5～10个像素,而且背景复杂,相机抖动,普通分割算法无法得到小目标。在目标的运动明显异于背景的情况下,通过利用基于光流的目标检测算法来检测出小目标,同时运用高斯金字塔模型,提高算法的运算速度。试验结果表明提出的基于光流的检测算法在背景运动的红外图像中取得了较好的效果。     

基于各向异性高斯曲面拟合的星点质心提取算法

恒星识别以及卫星目标检测识别是空间监视系统的重要应用之一。由于星图图像点目标成像的特点以及大量背景恒星的干扰,星图中用于目标识别的特征难以提取,因此目标的位置是实现目标识别的关键特征。高斯曲面拟合方法是使用较为广泛的目标质心提取算法之一,通过理论分析和实验表明传统高斯曲面拟合方法对运动卫星的定位存在较大误差。为此,提出了各向异性的高斯曲面拟合模型,该模型通过使用两个不同的高斯模糊参数和旋转因子,可以捕捉目标不同方向的各异特征,适合卫星由于运动造成的随机方向模糊。仿真实验和真实数据实验表明,本文方法的总体定位精度可分别达到0.008和0.04,并能够准确提取星图目标的质心,相比传统方法有较大改善。     

基于分类的红外云层背景弱小目标检测方法

提出了一种新的基于模糊分类的红外云层背景弱小目标检测方法.根据红外成像的特点,将红外云层背景弱小目标图像分为三类:边缘类、净空及云中类、弱小目标类;对不同类别图像进行分析,建立了分类模型,并定义了方向特征矢量,将其作为类别的特征矢量;根据模糊分类的理论,定义了类相似系数来判别图像中每一个像素的类别属性,保留弱小目标类的像素点完成检测.实验结果表明,该方法能够对红外弱小目标图像中不同类型的区域进行准确的分类,从而较好的实现了对低信杂比的复杂云层背景图像中的弱小目标检测.     

海天复杂背景下红外目标的检测跟踪算法

在分析海天复杂背景下红外目标图像特征的基础上,提出适合该环境的红外目标检测算法.该算法采用行均值相减的方法抑制海平面非线性温度场的影响,并进行中值滤波处理.对于更加复杂的环境,选用数学形态滤波法抑制背景中的大面积云团或海浪,从而确定出目标区域来进行目标图像的分割及增强.同时,综合使用图像捕获区域指定、运动目标检测法、弱目标的增强提取、记忆外推功能、数据融合加权跟踪方法,来保证在海天复杂背景下红外目标的可靠跟踪.实验表明,该算法能较好地处理海天复杂背景下红外目标的检测,且算法易于硬件实现,提高目标检测的实时效率.     

基于改进型高斯混合模型的嵌入式实时运动检测系统

针对在嵌入式CPU上难以做到复杂背景下运动目标的实时检测,提出了一种基于改进型高斯混合模型的实时运动检测方案,采用改进型高斯混合模型,对高斯混合模型进行简化和结构调整,同时进行了C语言层面和CPU层级的优化,使其更合适于嵌入式平台,并详细分析了DM6446平台的软硬件设计,介绍了该算法在DM6446平台上的实现过程。实验结果表明：该系统能够有效克服外界环境变化带来的干扰,能够实时检测,可以实现多目标跟踪。     

一种基于小波分析的小目标检测算法

红外小目标检测技术由于其重要的军事意义成为研究热点。根据目标、噪声和背景边缘在小波域的不同特点,提出一种基于小波分析的红外小目标检测算法。该算法利用小波对奇异信号强有力的分析能力,消除了噪声和背景边缘对小目标检测的干扰,实现目标的检出。仿真实验证明该方法对红外图像中的小目标有比较理想的检测效果。     

红外序列图像中运动弱小目标检测

为检测红外序列图像中的运动弱小目标,分析了目标在序列图像中的运动特性和概率分布特性,以及目标和噪声在序列中的能量分布特性。提出连续M帧高阶累积方法来增强运动弱目标能量,用假设检验对目标和背景进行分割,通过搜寻序列运动能量中心来实现目标的多帧关联检测。通过仿真实验证明了算法对红外弱小目标检测有效性。     

基于小波高频距离像的红外小目标检测

针对远距离复杂背景下红外小目标检测问题,本文提出了一种基于小波高频距离像的方法。该方法首先将处理空间变换到小波域,通过分析残留背景、目标和噪声系数在高频子带的差异,定义基于邻域均值的子带系数表达形式,构造高频子带系数的中心向量,对小波高频图像进行综合形成距离像,得到红外复杂背景的抑制结果。在此基础上,利用恒虚警率算法将单帧背景抑制图像分割成候选目标、残留背景和噪声像素点。最后,在时间域基于目标运动的相关性,利用管道滤波实现红外小目标的最终检测。仿真实验结果表明,相对于经典算法,本文方法可以实现对红外复杂背景的有效抑制,增强目标信号的强度,准确稳定的从红外复杂背景中检测出小目标。     

基于分形特征的复杂环境目标检测方法研究

针对复杂的自然背景下的运动目标检测,提出了一种基于分形特征的运动目标检测算法;该算法利用目标的分形维数与自然背景分形维数的差异将目标从背景检测出来;首先应用改进的地毯覆盖法快速得到图像的分形维数,然后通过比较邻域之间分形维数的相互关系进行目标检测;实验结果表明,该方法能对复杂背景下的运动目标进行检测,由于采用分块求分形特征的方法,能有效地减少搜索目标所带来的计算量,算法过程简单、检测速度快、检测结果精确,目标与背景对比度的变化对检测结果几乎没有影响, 且噪声对该算法的检测结果影响较小;在运动目标实时检测问题上有着很好的实用价值和应用前景。     

面向嵌入式系统的复杂场景红外目标实时检测算法

为了解决复杂背景条件下,红外目标检测存在的准确率低、召回率低、以及网络模型在嵌入式计算平台上推理速度慢的问题,以轻量化网络YOLOv4-Tiny作为算法的基本架构,结合视觉注意力机制和空间金字塔池化思想,提出两种面向嵌入式系统的红外目标检测网络,利用迁移学习策略进行训练,在以昇腾310 AI芯片为核心的Atlas 20...     

基于相关滤波器的红外弱小目标检测算法EI北大核心CSCD

针对复杂背景下红外图像中低信噪比弱小目标实时检测问题,提出一种基于相关滤波器的红外弱小目标检测算法。该算法将红外目标检测转化为模式分类问题,在离线训练阶段,利用二维高斯模型构造红外小目标训练集,在此基础上训练得到对目标背景具有区分能力的相关滤波器,在线检测阶段,利用滤波器对图像分块进行滤波操作,目标和背景的滤波响应有着显著的差异,最后生成整幅图像的滤波响应置信图以此来判断图像中是否包含目标及其具体位置。在单帧单目标图像、序列图像多目标检测实验结果表明,与经典检测算法相比,所提方法不仅具有更高检测性能,有效降低了虚警概率,而且具有较好的实时性,适用于复杂背景条件下弱小目标的实时检测。     

一种快速的近岸红外目标检测

近岸红外目标检测由于背景复杂和实时性的要求,是当前研究的一个难点。基于上下文的视觉注意机制是解决这一难题的有效途径。首先根据近岸红外目标存在于海面这一先验知识,利用灰度、纹理特征及位置关系,分割出海面;其次利用基于相位谱的视觉注意机制定位显著区域;最后综合海面和显著区域位置,便可检测出近岸红外目标。实验证明,这种算法高效、准确,能够满足目标检测阶段的实时性要求。     

融合多异构滤波器的轻型弱小目标检测网络

针对红外图像信息维度单一且弱小目标因特征不明显而难以检测的问题,将不同结构的多滤波器融入YOLOv5n网络,根据增强弱小目标和抑制背景干扰的不同特性分别选择三个异构滤波器作用于网络的多通道输入图像,从而丰富原始图像的信息维度,有效提升后端网络对复杂背景下弱小目标的适应能力;通过添加注意力模块、采用小锚框策略、裁剪网络深层分支等改进措施,在增强YOLOv5n网络弱小目标检测能力的同时,进一步减少了计算和存储资源需求。实验结果表明,所提出的算法能够有效检测红外复杂背景中的弱小目标,同时占用存储和计算资源更少,为算法部署在资源受限的嵌入式设备上提供了基础。     

层次卷积滤波红外弱小目标检测方法

针对单帧复杂背景红外图像点目标检测算法存在复杂背景下处理效果不理想、处理时间长的问题,提出了一种层次卷积滤波检测算法。主要分为两个部分：第一,根据红外小目标特性,设计一种层次卷积滤波的算子,对图像进行滤波处理,实现图像中小目标的增效和背景抑制的效果;第二,采用基于最大值的自适应阈值方法,对图像进行二值化操作,过滤背景杂波,最终提取到待检测的目标。在大量不同背景红外图像中进行实验,论文算法在背景抑制因子和信噪比增益的性能量化结果上优于现有5种典型红外弱小目标检测算法的性能结果,且平均处理时间仅为高斯拉普拉斯（Laplacian of Gaussian,LoG）滤波算法的30.42%。通过实验对比,表明该层次卷积滤波算法可以有效解决在不同复杂背景下的红外图像中对小目标检测的问题。