无人机目标检测可用于反制无人机的场景, 为了便于算法在嵌入式设备部署通常需要采用轻量的模型。YOLOv4目标检测算法的轻量化版本YOLOv4-tiny具有较快的检测速度, 然而其网络结构较为简单, 检测精度偏低。为了进一步提升模型的检测精度, 提出了YOLO-L2模型。选用YOLOv4-tiny的主干网络进行特征提取, 并采用基于协调注意力机制的路径聚合网络对特征进行融合, 融合过程中使用一组可学习的系数进行加权; 在最深的特征层嵌入一个级联残差模块ResBlock-L2用来增大感受野并融合不同感受野特征; 最后提出了边框损失函数MEIoU来替换CIoU。改进后的算法检测效果更精准, 相比于YOLOv4-tiny, 在VOC数据集和自制的UAV-L数据集中mAP分别提高了3.19 %和3.95 %, 并且满足实时性的要求。

针对道路狭窄、障碍物较多等复杂环境下快速探索随机树*(RRT*)算法出现的随机性大、效率低、收敛速度慢和路径曲折等问题, 结合一种改进碰撞检测机制的RRT*算法, 提出了一种改进Bi-RRT*算法。该算法首先在动态目标区域进行节点采样, 缩短算法执行时间; 再通过目标偏向策略扩展树节点, 降低树生长的随机性; 然后采用双向树生长策略, 提高算法收敛速度; 最后删除路径冗余节点, 增加路径平滑度和降低算法对内存的需求。在仿真环境下进行实验, 结果表明, 改进Bi-RRT*算法降低了算法执行的随机性, 减少了算法迭代次数, 可以更快收敛到平滑的路径。

超声谐振谱(RUS)是一种压电材料单样品定征技术, 避免了多样品造成的结果不自洽问题。现有的谐振谱激励方法常使用超声换能器定点激励-拾取, 需要有复杂的测试装置。该文提出了一种电极激励-拾取法来获取压电谐振器的超声谐振谱, 该方法测试装置简单, 同时还可获得模态振型的对称特性, 避免了反演过程中峰丢失和错峰拟合。基于现场可编程门阵列(FPGA)技术搭建了压电谐振器分组扫频激励电路, 通过电荷放大器拾取谐振峰。结果表明, 通过Levenberg-Marquardt算法可完成测试频谱和计算频谱的匹配, 成功获得了优化后压电材料参数。

为使微机电系统(MEMS)压电谐振器工作在谐振频率点并使其输出信号幅值稳定, 该文采用基于现场可编程门阵列(FPGA)数字化的双闭环控制算法来实现共振频率跟踪和稳幅激励, 数字化双闭环控制算法包含锁相闭环算法和稳幅闭环算法; 采用模数转换器(ADC)对压电谐振器输出信号采样, 使用两路正交信号对被采样信号的相位和幅值解调; 采用数字锁相环技术实现了压电谐振器谐振频率的跟踪激励。为减小压电谐振器在谐振处输出信号幅值的波动, 采用数字稳幅技术实现了压电谐振器输出信号幅值的稳定控制。实验结果表明, 电路能将驱动信号和输出信号相位差锁定在93.89°~95.95°, 输出信号的幅值稳定在496~504 mV, 达到了很好的谐振频率跟踪和稳幅效果。

针对YOLOv3网络模型在交通场景中的目标检测指标优化问题,通过在网络训练过程中结合多种策略和技巧对模型指标进一步优化,同时提出了一种基于Cutout改进的抗遮挡策略。优化工作不涉及YOLOv3网络结构改动,并且优化后的模型不影响帧率指标。选用PASCAL VOC数据集和KITTI 2D数据集进行对比实验,结果表明,所采用的策略和技巧能够显著提升YOLOv3网络模型性能指标。实验完整代码已公布在以下链接,请点击查看或下载:https://github.com/LiweiDai/YOLOv3-training-optimization-with-applying-ACDC。

提出了一种基于深度学习检测算法YOLOv3的目标跟踪算法。该算法利用深度学习模型在目标特征提取上的优势, 采用基于回归的YOLOv3检测模型提取候选目标, 同时结合目标颜色直方特征和局部二值模式直方特征进行目标筛选, 实现对目标的跟踪。为了提高算法的性能, 还提出了一种K邻域搜索方法, 可以针对选定目标进行邻域检测。实验结果表明, 提出的目标跟踪算法跟踪效果很好, 综合表现比4种对比算法提高了80%左右, 同时在目标物体光照变化、姿态变化、尺寸变化、旋转变化等复杂情况下有很好的鲁棒性。

为改善Staple目标跟踪算法的运行速度, 在学习位置滤波器的过程中, 对提取的图像特征进行PCA降维；在学习尺度滤波器的过程中, 将提取的不同尺度样本个数由33减少至17, 并且通过QR分解对尺度信息进行压缩。为保证尺度估计的准确性, 在计算尺度响应时, 使用插值法将尺度响应个数插值到33。实验结果显示, 在准确率几乎不变的情况下, 所提算法可将跟踪速度提升50%左右。

针对核相关滤波器(KCF)跟踪算法在目标发生尺度变化和严重遮挡的情况下跟踪失败的问题, 提出了一种基于自适应的核相关滤波的目标跟踪算法。该算法运用了尺度估计策略, 使跟踪框自适应, 用多项式核函数来减少计算量, 采用了FHog目标特征代替原来的Hog特征, 获取更多的目标特征信息。实验采用OTB-2013评估基准的50组视频序列进行测试, 并与其他31种跟踪算法进行对比, 测试所提算法的有效性。实验结果表明: 所提算法成功率为0.549, 精确度为0.736, 排名第一, 与KCF算法相比, 分别提高了3.8%和1.0%。该算法在目标发生尺度变化、严重遮挡等复杂情况下, 均具有较强的稳健性和鲁棒性。

原压缩感知跟踪算法由于偏向当前新样本，在遮挡情况下跟踪效果不良。为了提高遮挡时跟踪的准确性，实验首先通过样本分块提取样本的不变矩特征，并以此特征作为朴素贝叶斯分类器分类的标准，然后计算前后两帧目标的不变矩特征的差值，以该值判断目标是否发生遮挡，进而实现分类器的自适应更新。实验表明，该算法在目标出现部分遮挡时跟踪效果良好，对尺度变化有一定的鲁棒性，并且跟踪的准确度比原算法有所提高。当目标像素大小为25×69时，平均处理速度达58 帧/s，满足实时性要求。

针对基于离散余弦变换的压缩感知哈希算法在光照变化、目标发生形变或者局部遮挡的情况下难以跟踪的问题, 提出了一种基于类间方差和离散余弦变换融合的模板匹配增强哈希算法。该算法是一种运用类间方差阈值分割和离散余弦变换来提取目标不同特征信息, 用快速增强差异法生成哈希序列来降低光照影响, 用抽屉原理缩短汉明距离的比较时间的自动更新模板的目标跟踪算法。本文算法与传统哈希算法、基于DCT的压缩感知哈希算法在视频David, Girl和CarScale中进行了跟踪实验。实验结果表明, 该算法在光照变化、目标形变和局部遮挡的情况下提高了目标的跟踪成功率, 具备良好的鲁棒性, 满足了实时跟踪的要求。