中国人民解放军63870部队，陕西渭南714299
在可见光红外跟踪（RGB and Thermal Infrared Tracking，RGB-T）的研究中，为了在常规跟踪算法的基础上实现两个模态的有效融合，基于注意力机制提出了一种基于注意力交互的RGB-T跟踪算法。该算法引入注意力机制对可见光和红外两种模态的图像特征进行增强和融合，设计了自特征增强编码器对单一模态的特征进行增强，设计了互特征解码器对两个模态增强后的特征进行交互融合。编码器和解码器均采用两层注意力模块。为了减小算法模型的复杂度，对传统注意力模块进行简化，将全连接层改为1
![]()
![]()
1卷积。此外，该算法对多个卷积层的特征均进行分层融合，以充分挖掘各层卷积特征中的细节和语义信息。在GTOT，RGBT234和LasHeR三个数据集上进行对比测试。实验结果表明，所提算法性能优异，特别是在RGBT234和LasHeR这两个大规模数据集上取得了最优的跟踪结果，验证了注意力机制在RGB-T跟踪中的有效性。
1 中国科学院 光电技术研究所，四川 成都 610209
2 中国科学院大学，北京 100049
3 中国人民解放军63870部队，陕西 西安 714200
地面车辆目标检测问题中由于目标尺寸较小，目标外观信息较少，且易受背景干扰等的原因，较难精确检测到目标。围绕地面小尺寸目标精准检测的问题，从目标特征提取的角度提出了一种特征融合的子网络。该子网络引入了重要的局部细节信息，有效地提升了小目标检测效果。针对尺度、角度等的变换问题，设计了基于融合层的扩展层预测子网络，在扩展层的多个尺度空间内匹配目标，生成目标预测框对目标定位。在车辆小目标VEDAI(vehicle detection in aerial imagery)数据集上的实验表明，算法保留传统SSD(single-shot multibox detector)检测速度优势的同时，在精度方面有了明显提升，大幅提升了算法的实用性。
计算机视觉 目标检测 深度学习 车辆小目标 特征融合 computer vision target detection deep learning small vehicle target feature fusion
针对可换负载式光电经纬仪更换成像探测组件后的光轴平行性检测, 提出了一种靶场适用的光电经纬仪光轴平行性检测方法。该方法在正倒镜状态下拍摄方位标, 结合经纬仪角度测量结果和方位标距离测量结果计算方位标十字丝中心在成像坐标系下的坐标, 通过基于坐标变换推导的光轴平行性检测公式计算成像光轴相对理想照准光轴的偏差, 从而实现对光轴平行性的检测。对该方法的检测精度进行了分析, 结果表明成像系统投影中心坐标测量误差和距离测量误差对光轴平行性检测误差随着方位标距离增大而减小, 当方位标距离为1 km、坐标测量误差为1 cm时, 坐标测量误差和距离测量误差对平行性检测精度的影响约为0.01 mrad; 当方位标距离足够远时, 平行性检测精度与成像系统的角度测量误差相当, 能够满足靶场使用需求。
光电经纬仪 光轴平行性 靶场检测 方位标 photoelectric theodolite optical-axis parallelism detecting in range azimuth marker
传统光电跟踪设备对于多传感器数据源的选择, 大多采取手动或按优先级进行切换的控制方式。为了克服切换机制带来的滞后性、随意性以及切换时的阶跃效应, 提出了多源数据融合控制策略。首先计算自适应可变跟踪门规划关联区域剔除野值; 然后根据关联区域设计分时分级融合结构; 最后通过构造隶属度函数计算融合加权因子。经实际应用验证, 这种融合控制策略提高了跟踪精度, 减小了超调量, 增强了系统的鲁棒性、可靠性和实时性。
光电经纬仪 多传感器数据源 融合 控制 模糊集 加权 photoelectric theodolite multi-sensor data source fusion control fuzzy set weighting
1 中国科学院光电技术研究所, 成都 610209
2 电子科技大学, 成都 610054
3 中国科学院大学, 北京 100039
4 中国华阴兵器试验中心, 陕西 华阴 714200
目标检测通常利用复杂的、高维度的特征来提高其检测精度, 而高维特征往往会产生较高的计算复杂度和存储开销。经典的特征压缩算法常常被用于目标检测系统以实现特征降维, 但在其求解过程中会涉及到大量的矩阵分解运算, 从而降低了算法的实时性。针对此问题, 提出一种基于随机映射的特征压缩算法。该算法仅通过一个稀疏随机矩阵和简单的矩阵乘法运算就实现了特征从高维空间到低维空间的映射。利用经该算法压缩后的特征向量构建了Ada-Boost分类器, 实验结果表明, 该分类器在保证检测精度的前提下, 提高了目标检测的实时性。
随机映射 目标检测 特征压缩 稀疏矩阵 random projection object detection feature compression sparse matrix
1 中国科学院光电技术研究所, 成都 610209
2 中国科学院大学, 北京 100049
3 中国华阴兵器实验中心, 陕西 华阴 714200
基于时空上下文(SpatialTemporal Context, STC)的跟踪算法与大部分传统算法相比, 在实时性方面具有明显的优势。通过实验发现, STC算法存在由变形和遮挡引起的跟踪精度下降问题。针对该问题, 提出了一种改进方法, 该方法在原STC算法的基础上引入局部二值模式(Local Binary Pattern, LBP)和遮挡检测机制, 利用LBP特征来代替灰度特征, 当跟踪器检测出目标发生遮挡时, 停止分类器参数的更新。对于满足线性运动的目标, 利用卡尔曼滤波器对其进行位置预测以解决目标发生遮挡后的定位问题。实验证明, 所提出的改进算法能有效提升目标跟踪精度, 针对遮挡情况下的目标也展现出较高的鲁棒性。
STC算法 LBP特征 遮挡检测 卡尔曼滤波器 STC LBP feature occlusion detection Kalman filter
1 中国科学院光电技术研究所, 成都 610209
2 中国科学院大学, 北京 100049
3 中国华阴兵器试验中心, 陕西 华阴 714200
Struck算法是近年来综合性能较优的视觉目标跟踪算法, 但对于较大比例遮挡或全部遮挡情形, 算法性能下降明显。通过对Struck算法的分析发现, 当遮挡出现时算法分类器会引入错误信息, 从而导致跟踪失败或者跟踪漂移。在Struck算法框架的基础上加入遮挡判断机制, 在检测到较大比例遮挡后停止分类器更新, 并通过缩放搜索样本的尺寸解决目标尺寸快速变化导致的遮挡检测虚警; 对于具有一定运动信息的目标, 通过卡尔曼滤波器进行预测解决目标全遮挡后的持续跟踪。实验证明, 提出的算法框架对遮挡情形下的目标跟踪具有较高的鲁棒性。
Struck算法 目标跟踪 遮挡检测 卡尔曼滤波器 Struck object tracking occlusion detection Kalman filter
1 中国科学院西安光学精密机械研究所,西安 710119
2 中国科学院研究生院，北京 100049
3 中国华阴兵器试验中心，陕西 华阴 714200
针对目前机动目标跟踪所面临的机箭分离、机弹分离、级间分离等一转多的目标跟踪问题，提出了一种复合目标识别技术.针对目标的面积，外接矩形长度、宽度、长宽比，紧凑度，转动惯量和航迹对多种目标进行准确的认定和匹配，并在目标的切换过程中引入一种新型切换技巧.此算法大大提高了一转多目标的跟踪可靠性，实际应用表明：目标识别准确，跟踪切换平稳，应用价值高.
航迹 特征 融合 切换 多目标跟踪 Flight path Character Fusion Switch Multi-targets tracking
1 中国科学院西安光学精密机械研究所,西安 710119
2 中国科学院研究生院,北京 100049
3 中国华阴兵器试验中心,陕西 华阴 714200
针对传统的基于灰度值的匹配算法计算量大、时间复杂度高的缺陷,提出了一种基于灰度统计的快速模板匹配算法,以十字特征直线代替模板进行粗匹配,仅对搜索图中像素点数目较少的一段灰度区域进行匹配,从而大大减小了计算量,使匹配速度得到极大提高.仿真实验证明本算法匹配速度快、较传统的灰度相关算法快了二至三个数量级,具有较强鲁棒性.
灰度统计 模板匹配 十字特征直线 时间复杂度 搜索图 Gray statistic Template matching Characteristic cross line Time complexity Search image
1 中国科学院西安光学精密机械研究所,西安,710068
2 中国科学院研究生院,北京,100039
从目标相对于邻域背景区的信噪比出发,分析了其低信噪比运动小目标特性对自动目标识别所带来的困难.基于部分Hausdorff距离在模板匹配相似性度量中可以有效抑制背景与噪声干扰的优点,提出了用自适应模板实现自动目标识别的方法.然后,综合目标区像素灰度自适应二值化处理和形心算法,实现了图像序列中目标自动定位的功能.实验结果证明:该基于自适应模板的低信噪比运动目标的自动定位算法具有快速,稳定和实用等优点.
低信噪比 自适应模板 部分Hausdorff距离 自动目标识别 Low SNR Adaptive template Part hausdorff distance ATR
