基于多尺度分形参数变化的目标检测方法研究

分析和研究了提取图象多尺度分形参数的地毯覆盖方法，并作了相应改进。阐明了Ｄ维面积的意义。根据自然场景和人造目标随尺度的不同变化性质，提出了分形参数变化度量函数。实验结果表明，利用该函数能有效地检测出自然背景中的人造目标     

多尺度分形维的星载舰船显著性检测

目的 星上的舰船检测需要在资源和时间受限条件下实现快速检测,并且对目标的种类和尺寸缺少先验信息的指导,更多时候还需要实现一景图像中不同尺寸舰船的检测,因此,星上舰船检测要求检测方法具有一定的自适应性,从而实现星上多变的检测场景。方法 针对这一问题,提出了一种多尺度分形维的检测方法,可以实现一景遥感图像中不同尺寸舰船目标的检测。首先,针对差分盒算法受盒子尺寸约束的限制使分形维数的计算精度受到影响的问题提出了一种改进算法,改进算法增加了拟合直线的点对数目并引入了拟合误差剔除误差点对,提高了分形维特征计算的精确度。结果 在提高了分形维计算精度的基础上,新算法利用自然物体在不同尺度上具有的自相似性,通过多尺度分形维的计算并借鉴视觉显著性中c-s算子来排除背景对目标的干扰,突出舰船目标。实验结果表明,新算法能够有效检测出一景图像中不同尺寸的舰船,优于双参数CFAR算法的检测结果。结论 本文提出的多尺度分形维的检测算法可以实现对一景图像中不同尺寸舰船目标的检测,在保证一定检测率的同时有效降低了目标检测的虚警率。     

一种特征由深到浅叠加融合的多尺度目标检测模型

基于深度学习的特征金字塔网络(Feature Pyramid Networks, FPN)仅采用一次上采样与相邻层特征融合的方法,存在浅层网络与深层网络特征关联性不强,多层网络特征融合不充分的问题,影响多尺度目标检测精度。对此,将主干网络中提取的特征进行由深到浅的叠加融合,并对特征金字塔中得到的特征进行补充叠加融合。此外,为进一步提高检测器对目标特征的识别能力,对每次叠加融合后得到的特征通过non-local网络进行特征增强。以PASCAL VOC为数据集的目标检测实验结果表明,所提目标检测模型对数据集中所有类别目标的平均检测精度(mean Average Precision, mAP)为80.6%,对行人类别的检测精度(Average Precision, AP)为81.3%,较FPN网络分别提高了2.4%和2.8%,有效提高了多尺度目标检测精度。     

一种新的基于分形特征的目标检测算法

文章提出了一种基于分形特征的目标检测算法。该算法考虑了邻域、或局部范围内的多尺度分形特征,因而能够较为准确地对目标进行检测。仿真研究也表明了该算法的可行性和有效性。     

多尺度特征图融合的目标检测

目的 自然场景图像中,特征提取的质量好坏是决定目标检测性能高低的关键因素。大多数检测算法都是利用卷积神经网络（CNN）强大的学习能力来获得目标的先验知识,并根据这些知识进行目标检测。卷积神经网络的低层次特征缺乏特征的代表性,而高层次的特征则对小尺度目标的监测能力弱。方法 利用原始SSD（single shot multiBox detector）网络提取特征图,通过1×1卷积层将提取的特征图统一为256维;通过反卷积操作增加自顶向下特征图的空间分辨率;通过对应元素相加的操作,将两个方向的特征图进行融合。将融合后的特征图采用3×3的卷积核进行卷积操作,减小特征图融合后的混叠效应。根据以上步骤构建具有较强语义信息的特征图,同时保留原有特征图的细节信息;对预测框进行聚合,利用非极大抑制（NMS）实现最终的检测效果。结果 在PASCAL VOC 2007和PASCAL VOC 2012数据集上进行实验测试,该模型的mAP（mean average precision）为78.9%和76.7%,相对于经典的SSD算法,分别提高了1.4%和0.9%;此外,本文方法在检测小尺度目标时相较于经典SSD模型mAP提升了8.3%。结论 提出了一种多尺度特征图融合的目标检测算法,以自顶向下的方式扩展了语义信息,构造了高强度语义特征图用于实现精确目标检测。     

多尺度目标检测的深度学习研究综述

目标检测一直以来都是计算机视觉领域的研究热点之一,其任务是返回给定图像中的单个或多个特定目标的类别与矩形包围框坐标.随着神经网络研究的飞速进展,R-CNN检测器的诞生标志着目标检测正式进入深度学习时代,速度和精度相较于传统算法均有了极大的提升.但是,目标检测的尺度问题对于深度学习算法而言也始终是一个难题,即检测器对于尺...     

基于区域特征强化的多尺度伪装目标检测方法

伪装目标检测(COD)能够在复杂环境下探测出与背景相似度极高的伪装目标,在军事侦查和工业检测等领域具有重要的应用价值。针对现有伪装目标检测方法对区域级特征信息利用率低的问题,提出一种基于区域特征强化的多尺度伪装目标检测网络(RFE-Net)方法,实现可见光条件下伪装目标的准确探测。RFE-Net主要包含弱语义特征增强模块、空间信息交互模块和上下文信息聚合模块。首先弱语义特征增强模块引入了条状池化和非对称卷积,通过优化网络的感受野来动态调整搜索区域,从而加强长距离弱语义特征间的联系;然后将级联的U型块结构组合为空间信息交互模块,消除错误预测样本的干扰;最后设计上下文信息聚合模块,通过充分融合深层语义信息和浅层细粒度信息以精细化处理目标边缘细节,从而提升预测准确度。实验结果表明,所提方法能够加强目标内部的弱语义关联,提高目标与背景的区分度,在最大测试集NC4K上的结构性度量、增强对准度量、加权F1值和平均绝对误差4个指标上均取得最优值,其中结构性度量和平均绝对误差高于第2名方法1.1%和7.7%。     

多尺度卷积特征融合的SSD目标检测算法

提出了一种改进的多尺度卷积特征目标检测方法,用以提高SSD(single shot multibox detector)模型对中目标和小目标的检测精确度。该方法先对SSD模型低层特征层采用区域放大提取的方法以提高对小目标的检测能力,再对高层特征层进行特征提取以改善中目标的检测效果。最后,利用SSD模型中原有的多尺度卷积检测方法,将改进的多层特征检测结果进行融合,并通过参数再训练以获得最终改进的SSD模型。实验结果表明,该方法在MS COCO数据集上对中目标和小目标的测试精确度分别为75.1%和40.5%,相比于原有SSD模型分别提升16.3%和23.1%。     

一种多尺度Harris角点检测方法

为改进角点检测算子的检测性能,提出了一种多尺度的Harris角点检测方法。该方法通过提取不同尺度下的角点,同时根据高斯核尺寸确定非极大值抑制窗口大小,然后根据角点响应函数值对每一尺度下检测出来的角点进行排序,且与前一小尺度下的角点进行比较,剔除伪角点,确保角点的精确定位。通过实验与几种角点检测方法检测结果相比,该方法检测角点的总误差小、错误率低,且匹配程度比原Harris算子显著提高,说明该方法是一种正确而有效的角点检测方法。     

融合多层特征的多尺度行人检测

目的 行人检测在自动驾驶、视频监控领域中有着广泛应用,是一个热门的研究话题。针对当前基于深度学习的行人检测算法在分辨率较低、行人尺度较小的情况下存在误检和漏检问题,提出一种融合多层特征的多尺度的行人检测算法。方法 首先,针对行人检测问题,删除了深度残差网络的一部分,仅采用深度残差网络的3个区域提取特征图,然后采用最邻近上采样法将最后一层提取的特征图放大两倍后再用相加法,将高层语义信息丰富的特征和低层细节信息丰富的特征进行融合;最后将融合后的3层特征分别输入区域候选网络中,经过softmax分类,得到带有行人的候选框,从而实现行人检测的目的。结果 实验结果表明,在Caltech行人检测数据集上,在每幅图像虚警率（FPPI）为10%的条件下,本文算法丢失率仅为57.88%,比最好的模型之一——多尺度卷积神经网络模型（MS-CNN）丢失率（60.95%）降低3.07%。结论 深层的特征具有高语义信息且感受野较大的特点,而浅层的特征具有位置信息且感受野较小的特点,融合两者特征可以达到增强深层特征的效果,让深层的特征具有较为丰富的目标位置信息。融合后的多层特征图具有不同程度的细节和语义信息,对检测不同尺度的行人有较好的效果。所以利用融合后的特征进行行人检测,能够提高行人检测性能。     

基于分形纹理特征和小波变换的网状纹理检测方法

网状纹理广泛存在于日常生活中. 其独特的网格结构以及极易发生形变的特点使网状纹理的描述和检测成为一件困难的工作. 本文以球网检测为例, 提出了基于分形纹理特征和小波变换的网状纹理检测方法. 先对足球视频图像进行小波多分辨率分解, 计算不同尺度图像的分形纹理特征向量, 基于因果关系对特征进行选择组成特征向量. 然后使用支持向量机检测图像中的网状纹理. 实验表明此方法有较强的鲁棒性, 能够在剧烈形变、复杂背景和基元大小差异明显的条件下成功检测出球网.     

基于单位统计曲率特征匹配的红外目标检测方法

针对机器人在隧道施工环境中,由于阴暗强光等因素导致红外图像中的目标检测失败,提出一种基于单位统计曲率特征匹配的红外目标检测方法;采用最小二乘法对目标的曲面进行拟合,根据拟合曲面计算出目标中各像素的高斯曲率和平均曲率,使用曲率代替梯度构造图像特征描述符并建立曲率平面,根据曲率分布的密度将其划分为多个单位区域,对每个单位中的像素使用统计信息来生成稳定的单位统计曲率特征矩阵,通过计算矩阵之间的欧氏距离得到目标的相似性,识别红外图像中待检测的目标;对该算法与现有其它算法对标准图像数据集和实际施工隧道中的栈桥的检测准确率进行对比评价,结果表明,该算法的检测准确率最高,满足了工程上隧道机器人行进中识别栈桥的使用需求.     

改进RFBnet网络的船只目标检测方法

针对目前舰船目标检测中,多目标情况下的舰船目标很容易被多目标遮挡,造成舰船目标漏检、分类错误等问题,提出了一种基于改进RFBnet（I-RFBnet）的自然图像目标检测方法。使用池化特征融合模块（PFF）和反卷积特征融合模块（DFF）进行特征融合,形成新的六个有效特征层。提出一种跨步长卷积方式来提取特征单元在原图中的关心区域信息,设计了融入注意力机制的膨胀卷积模块（dilate convolutions block,DB）和新的前三个有效特征层再次进行特征融合。引入聚焦分类损失函数解决训练过程中正负样本分布不均衡的问题;最后通过对规模船只检测数据集SeaShips训练后,保存其模型。实验结果表明：改进后的算法检测效果良好,尤其在多目标遮挡下的小目标效果显著。平均精度均值为96.26%,比改进前的算法提高了4.74个百分点,帧率达到26?FPS（frame per second）,满足实时检测的需求。     

基于分形和数学形态学的图像边缘检测方法

图像处理是视觉测量方法必需的技术,图像处理结果的好坏直接影响到了测量的质量。其中,边缘检测是重要的一步。视觉测量不仅需要较好地检测到边缘,还需要边缘尽可能是连续的。该文提出了一种基于分形理论和数学形态学的边缘检测方法。该方法利用分形理论中离散分数布朗随机场来抑制噪声得到按分形维分布的灰度图像,采用数学形态学检测连续的特征边缘。试验表明,采用该方法比经典的边缘检测算子能够更好地达到视觉测量的要求。     

运动目标检测中基于灰度特征模型的背景消除方法

针对视频监控中运动目标检测时间复杂度高的问题,提出一种基于灰度特征模型的背景消除方法。通过提取视频图像像素的灰色特征,将视频图像中每个位置上的像素点用一个灰度特征集合来表征,并以此为依据计算各像素点灰度值与灰度特征集合中的像素点灰度值之间的距离,判别对应像素点的背景与前景状态,从而实现视频图像的背景消除。实验结果表明,该方法在处理效果接近的情况下,可以显著提升运动目标的检测速度,降低处理的时间复杂度。     

基于修正Gram-Schmidt算法预白的水下目标检测方法

将基于最小二乘问题的修正Gram—Schmidt算法运用于白化滤波器,提出一种基于修正Gram—Schmidt算法的白化滤波器。推导了该白化滤波器的权值表达式,分析了其白化性能和滤波器阶数的选择应注意的问题。提出了基于修正Gram—Schmidt算法预白的水下目标回波检测方法。蒙特卡洛仿真显示该方法的检测性能优于传统的基于AR模型预白的检测方法,尤其是在低信混比或（和）低多普勒的情况下。     

机器人目标抓取区域实时检测方法

针对目前机器人目标抓取区域检测方法无法兼顾检测准确率和实时性的问题,提出一种基于SE-RetinaGrasp神经网络模型的机器人目标抓取区域实时检测方法。该方法首先以一阶目标检测模型RetinaNet为基础提取抓取框位置及抓取角度;针对抓取检测任务采用SENet结构确定重要的特征通道;结合平衡特征金字塔设计思想,充分融合高低层的特征信息,以加强小抓取框的检测性能;在Cornell数据集上进行实验验证,结果表明该方法在取得更高检测准确率的同时,提高了抓取检测的效率,达到实时检测的要求。     

一种复杂海面背景下的红外舰船目标检测方法

针对传统目标检测方法只能应用在缓慢变化背景中的不足,文章从分析背景与目标的不同成像特性入手,提出了一种复杂海面背景下的红外舰船目标检测方法.该方法利用成像目标与背景的不同梯度特性,构造多向梯度检测函数来区分目标与背景,并对多向梯度算法执行结果利用灰度形态学滤波来进行背景泄漏噪声抑制.利用实际拍摄的红外图像对该算法进行了实验并与传统分法进行了比较,结果表明利用该方法能有效地检测出高起伏海面背景下的舰船目标.     

利用多光谱遥感图像融合的机场识别方法

提出了一种利用多光谱遥感图像融合的机场识别方法。首先,根据机场的光谱特性将多光谱图像进行融合,然后对融合图像进行简单的区域分割,提取出包含机场的可能区域,最后结合机场的结构特征把机场目标从图像中提取出来。实验和实际应用证明,此方法可快速准确地将机场目标从遥感图像中提取出来。