与常规目标相比,小目标在图像中的像素占比较小且特征不明显,而基于卷积神经网络的目标检测算法对小目标的鲁棒性较差。因此,基于改进的多尺寸反卷积单次多目标检测(MDSSD)网络提出了一种多特征融合小目标实时检测算法,可在不影响实时性的前提下增强算法对小目标的检测能力。为了提高算法的实时性,删减了MDSSD网络中的一部分融合模块,并用双线性插值操作代替特征图尺寸变换过程中的反卷积操作。为了提高算法的准确率,在特征图预测阶段,对每个预测层添加残差预测模块。针对算法中存在正负样本严重失衡的问题,用Focal Loss作为分类损失函数。实验结果表明,本算法在PASCAL VOC2007数据集上的平均精度均值(mAP)为81.7%,在自制轮胎瑕疵数据集上的mAP为90.6%,每秒检测帧数为50 frame。

为解决视觉车辆跟踪过程中尺度变化导致的模型漂移问题,在核相关滤波算法的基础上,提出一种车辆目标的尺度搜索算法。通过比较目标区域上三个特定尺度相关滤波响应的平均峰值相关能量,推断出目标尺度的变化方向,进而在变化方向上迭代搜索当前目标的最佳尺度。此外,为确保相关滤波模板能够适应运动过程中的车辆外观变化,在最佳尺度估计的情形下,对模板进行自适应加权更新,进一步提高模板准确性。大量的实验表明,本文算法可以有效解决车辆跟踪过程中尺度变化导致的模型漂移问题,且相比于其他相关滤波类算法具有更加优秀的跟踪性能。

在传统的火焰检测算法中,火焰前景提取容易出现火焰轮廓不完整和抗干扰性较差的情况。为此,融合红/绿/蓝(RGB)、色调/饱和度/亮度(HSI)和最大类间方差法(Otsu)提出一种新的火焰前景提取算法,利用双颜色空间融合的算法能够提取较完整的火焰轮廓,使火焰轮廓所受干扰影响程度尽量小。获得前景图像后用灰度共生矩阵提取纹理特征,在YCbCr颜色空间中提取颜色特征,用于最终的火焰判断。同时提出一种改进的概率神经网络(PNN),将传统PNN中单一固定值的平滑因子改进为多变量参数,用条件期望最大化(ECM)算法对PNN中平滑因子进行参数优化,再将提取的特征输入改进后的PNN中训练测试。仿真结果表明,该算法具有良好的抗干扰能力,能够提高对火焰识别的精度。

教育部-中国移动科研基金项目、青海省高端创新人才计划;