1 宁波大学信息科学与工程学院,浙江 宁波 315000
2 重庆理工大学电气与电子工程学院,重庆 310027
海洋生物相互聚集形成遮挡现象是误检和漏检的重要原因。为了解决这个问题,提出一种采用样本迭代融合辅助网络训练的海洋生物检测方法。首先,选用改进后的深度空洞残差结构作为特征提取网络,提升了网络的特征提取能力;然后,结合海洋生物图像目标遮挡、密集的特点,改进损失函数避免发生误检、漏检现象;最后,为了进一步解决目标遮挡、数据不平衡的问题,提出样本迭代融合方法,生成模拟图像扩充训练集,提高了网络训练的有效性和对小样本量海洋生物的检测能力。实验结果表明,所提海洋生物检测方法在URPC2018和台湾鱼类数据集上的准确率分别达91.36%和90.27%,检测准确率和速度高于现有目标检测算法。
海洋生物检测 样本迭代融合 深度学习 水下目标检测识别 数字图像处理 激光与光电子学进展
2023, 60(2): 0220001
华中光电技术研究所 — 武汉光电国家研究中心, 湖北 武汉 430223
针对全景系统中大视场相机带来的图像畸变以及安装基座产生运动或摇摆时带来的目标拼接图像出现起伏和晃动问题, 在分析畸变原理和全景图像动态稳定数学模型的基础上, 首先对摄像机采集的图像进行畸变校正, 然后根据安装基座的姿态数据对原始图像各像素点进行旋转变换、空间投影以及平滑处理后得到全景图像, 最后基于深度学习算法对全景图像中的目标进行检测与识别。在建立的数据集上进行训练与测试的结果显示, 该算法对船只目标的实时检测速度达 25 fps, 准确率达80%, 能够满足动态条件下对图像稳定和船只目标实时检测的要求。
动基座 全景成像系统 旋转变换 畸变校正 深度学习 目标检测与识别 moving base panoramic imaging system rotation transformation distortion correction deep learning target detection and recognition
红外与激光工程
2020, 49(9): 20190569
1 辽宁工程技术大学电子与信息工程学院, 辽宁 葫芦岛125105
2 辽宁工程技术大学研究生学院, 辽宁 葫芦岛125105
3 中国科学院沈阳自动化研究所机器人学国家重点实验室, 辽宁 沈阳110016
4 中国科学院机器人与智能制造创新研究院, 辽宁 沈阳110016
对水下图像预处理和目标检测识别、跟踪关键技术进行了详细的归纳总结。根据是否需要构建模型,将水下图像预处理分为图像增强和图像复原,论述了增强和复原方法的基本思想及方法特点。对水下光学图像的目标检测识别与跟踪原理和方法的研究进展进行全面阐述。通过对以上各个过程研究成果的总结分析,梳理了水下目标探测各关键技术中存在的重点解决问题与相关难点问题,讨论了其解决思路和进一步发展方向。
图像处理 数字图像处理 水下图像预处理 水下目标检测识别 水下目标跟踪 深度学习 激光与光电子学进展
2020, 57(6): 060002
陆军工程大学石家庄校区石家庄050003,河北省军区石家庄050003
声目标探测识别是目前弥补雷达低空探测不足的重要方法。采集到的声信号通常含有大量环境噪声,如何在去除噪声的同时尽可能多地保留有效信号是该领域的一个难点。针对低空战场环境噪声的特点,提出基于改进阈值经验模式分解的去噪方法。首先对信号进行经验模式分解,然后对实际能量大于噪声能量的固有模式函数进行阈值处理,最后将处理后的固有模式函数进行重构得到去噪信号。为了验证该算法的性能,对直升机声信号加入不同信噪比的典型低空环境噪声进行去噪,并与其他去噪方法进行比较,采用信噪比、均方根误差和平滑度指标进行定量分析。仿真结果表明,该算法对大部分低空环境噪声有良好的去除效果。
声目标 目标探测与识别 低空环境噪声 经验模式分解 去噪 声信号 acoustic target target detection and recognition low-altitude ambient noise EMD denoising acoustic signal
弹道目标检测与识别问题是天基红外预警系统的核心难题之一.针对主动段弹道目标的检测和识别问题,分析了传统的基于空间和时间特征信息的弹道目标检测与识别方法.利用目标辐射空间与光谱的一致性,提出一种基于成像光谱技术的主动段弹道目标检测与识别方法,将空域目标检测和谱域目标识别两个环节进行联合处理.实验证明,该方法应用于复杂背景下低信噪比的红外弱小目标图像序列能得到较理想的结果,算法检测概率高、虚警概率低、具有较强的实时性.
弹道目标 目标检测与识别 成像光谱技术 光谱匹配 ballistic target target detection and recognition imaging spectral technology spectral matching
四川大学 电子信息学院图像信息研究所,成都 610064
本文将目标边界流特征和目标边沿流特征的概念和边缘特征提取的方法用于SAR图像的目标检测和识别。这个方法先采用中值滤波、自动图像分割、数学形态学二值滤波、十字模板边缘提取方法,获得目标单像素边缘。再对所得边缘采用边界跟踪、边界流信息熵和边沿流信息熵运算,得到边界流特征和边沿流特征。对测试图像和真实SAR图像进行了实验,结果表明,该方法能很好地描述目标的特征,编程简单、运算速度较快。
SAR图像处理 目标检测与识别 图像分割 数学形态学滤波 边界跟踪 信息熵 SAR image processing target detection and recognition image segmentation mathematic morphology filtering contour tracking information entropy