1 上海工程技术大学电子电气工程学院，上海 201620
2 上海工程技术大学管理学院，上海 201620
3 江苏大学汽车工程研究院，江苏 镇江 212013
针对复杂环境下多目标跟踪过程出现的轨迹漏检、误检及身份切换等问题，提出一种基于改进YOLOX和BYTE数据关联方法的多目标跟踪算法。首先，为了增强YOLOX在复杂环境下的目标检测能力，将YOLOX骨干网络与Vision Transformer结合，增强网络的局部特征提取能力，同时加入损失函数，进一步增加网络边界框的回归精度；其次，为了满足算法实时性要求，采用BYTE数据关联方法，摒弃传统特征重识别（Re-ID）网络，进一步提高了多目标跟踪算法的速度；最后，为了改善光照、遮挡等复杂环境下的跟踪问题，采用更加适应非线性系统的扩展卡尔曼滤波，提高了网络在复杂场景下对跟踪轨迹的预测精度。实验结果表明：所提算法对MOT17数据集的multiple object tracking accuracy（MOTA）、identity F1-measure（IDF1）指标分别为73.0%、70.2%，相较于目前最优的ByteTrack，分别提升了1.3个百分点、2.1个百分点，number of identity switches（IDSW）则减少了3.7%；同时所提算法取得了51.2 frame/s的跟踪速度，满足系统实时性要求。
多目标跟踪 YOLOX BYTE Transformer 复杂场景 激光与光电子学进展
2023, 60(6): 0610014
1 清华大学电子工程系, 北京 100084
2 中国人民解放军 31401部队, 吉林长春 130022
3 北京科技大学计算机与通信工程学院, 北京 100083
对于视觉惯性里程计(VIO), 视觉遮挡、运动物体等复杂场景可能带来异常的视觉测量, 导致系统定位精确度急剧下降。对此, 提出了一种新的 VIO异常视觉测量的检测和处理方法。通过选取检测指标、设置先验阈值和设计检测分类器, 实现对异常视觉测量的检测与分类；提出多传感器融合策略和自适应误差加权算法, 及时消除与实际运动不一致的异常视觉测量的影响；最后, 将异常视觉测量检测和处理算法整合到基于关键帧的视觉惯性里程计(OKVIS)系统中, 提出了视觉惯性里程计的异常检测和处理(EDS-VIO)系统框架。在复杂场景仿真数据集上的评测结果表明, EDS-VIO比 OKVIS取得了更好的性能, 定位误差均值从 1.045 m下降到 0.437 m。所提方法较好地提升了 VIO在复杂场景中的定位精确度和鲁棒性。
视觉惯性里程计 异常视觉测量 多传感器融合 自适应误差权重 复杂场景 Visual-Inertial Odometry abnormal visual measurement multi-sensor fusion strategy adaptive error weighting complex scene 太赫兹科学与电子信息学报
2022, 20(10): 1038
1 武汉理工大学现代汽车零部件技术湖北省重点实验室，湖北 武汉 430070
2 武汉理工大学汽车零部件技术湖北省协同创新中心，湖北 武汉 430070
3 武汉理工大学湖北省新能源与智能网联车工程技术研究中心，湖北 武汉 430070
针对现有地面分割方法在复杂场景存在鲁棒性差和现有传统方法依赖阈值的问题，提出了一种合并式地面分割算法。首先根据车辆行驶实际情况进行预处理；然后对基于射线特征和基于平面模型拟合的方法进行改进与分阶段式融合，第一阶段中加入最大阈值的思想实现粗分割，第二阶段中加入结合道路分布特征和激光雷达线束分布特征的多区域划分思想实现细分割；最后对非地面点进行杂点过滤。实验结果表明，所提方法在复杂场景进行地面点分割的平均精确率有显著提升，平均召回率取得较高水平且无明显波动，单帧精确率和召回率均在0.85以上，具备优良的鲁棒性，且无需根据路面坡度的实际情况调整阈值，具有普遍的适用性与实际意义。
激光与光电子学进展
2022, 59(10): 1028003
1 中国科学院光束控制重点实验室，四川 成都 610209
2 中国科学院光电技术研究所，四川 成都 610209
3 中国科学院大学，北京 100049
主流的目标检测网络在高质量RGB图像上的目标检测能力突出，但应用于分辨率低的红外图像上时目标检测性能则有比较明显的下降。为了提高复杂场景下的红外目标检测识别能力，本文采用了以下措施：第一、借鉴领域自适应的方法，采用合适的红外图像预处理手段，使红外图像更接近RGB图像，从而可以应用主流的目标检测网络进一步提高检测精度。第二、采用单阶段目标检测网络YOLOv3作为基础网络，并用GIOU损失函数代替原有的MSE损失函数。经实验验证，该算法在公开红外数据集FLIR上检测的准确率提升明显。第三、针对FLIR数据集存在的目标尺寸跨度大的问题，借鉴空间金字塔思想，加入SPP模块，丰富特征图的表达能力，扩大特征图的感受野。实验表明，所采用的方法可以进一步提高目标检测的精度。
红外目标检测 深度学习 复杂场景 infrared target detection deep learning complex scenario
1 火箭军工程大学核工程学院, 陕西 西安 710025
2 西北工业大学航海学院, 陕西 西安 710072
基于深度学习的目标检测技术在目标检测领域有强大的生命力,但是将其用于合成孔径雷达(SAR)图像舰船目标检测时并没有达到预期的效果。提出了一种基于卷积神经网络的SAR图像舰船目标检测算法用来检测多场景下的多尺度舰船目标,在单发多盒探测器检测框架的基础上,使用性能更好的Darknet-53作为特征提取网络,加入更深层次的特征融合网络,生成语义信息更加丰富的新的特征预测图。同时在训练策略上使用了一种新的二分类损失函数来解决训练过程中难易样本失衡的问题。在扩展的公开SAR图像舰船数据集上进行验证实验,实验结果表明,所提方法对复杂场景下不同尺寸的舰船目标的检测展现出了良好的适应性。
机器视觉 合成孔径雷达 神经网络 舰船目标检测 单发多盒探测器 复杂场景
1 上海航天控制技术研究所，上海 201109
2 中国航天科技集团公司红外探测技术研发中心，上海 201109
针对天地复杂背景下红外弱小目标的检测，提出了一种融合 top-hat变换、边缘检测的新方法。首先将改进的 top-hat变换应用于红外弱小目标图像，将图像中与目标特性相似的像素进行增强，并去除云层背景对目标的干扰，得到若干疑似目标的增强结果，并结合阈值分割方法对增强结果进行筛选，剔除大部分不符合弱小红外目标特性的背景干扰点。然后采用基于 Canny算子的边缘提取方法对原始图像中的天地线进行检测，并以天地分割线作为先验知识，去除形态学滤波后所增强的地物背景中的疑似目标，得到最终的真实目标的检测结果。通过实验得出，本文所提出的方法对于天地背景下的弱小红外目标具有良好的检测效果。
红外弱小目标 复杂场景 形态学滤波 Canny算子 边缘检测 infrared dim small target complex scenes morphology filter Canny operator edge detection
大连海事大学信息科学技术学院, 辽宁 大连 116026
海天类红外图像的增强要求去除风浪等的环境影响,同时增强目标区域的对比度。通过探索几种典型的图像增强算法,结合红外图像梯度幅值直方图特点,提出基于梯度域的海面红外场景增强算法,将低梯度值置零去除海浪干扰,调整梯度范围对结果控制亮度,利用有效梯度范围均衡化增强目标区域的细节。实验结果表明,该算法可以明显降低图像的干扰信息,同时提高目标区域的对比度和信息熵。
图像处理 图像增强 红外图像 梯度域 小目标 复杂场景
探索了一种结合目标特性和局部背景类别预测的红外小目标检测算法。具体研 究了红外天空小目标检测中屏蔽地物虚警的问题。在复杂的红外场景中，地面物体由于复杂多变造成 的虚警会严重影响系统的探测灵敏度和鲁棒性。如果仅从目标特性入手，难以滤除地物虚警。首先利 用新 Top Hat 变换提取出潜目标。然后，对每个潜目标，一方面利用目标特性获得一种潜目标为真实目标的 可能性度量，另一方面考虑潜目标一定大小的邻域背景，根据对背景类别(天空或者地物)的预测获得 另一种可能性度量。最后,结合两种度量滤除虚假目标。实验表明，相比仅考虑目标特性的算法，本文 算法的探测性能有了很大提升。
小目标检测 红外图像 背景类别预测 复杂场景 small target detection infrared image class prediction of background complex scene
中国科学院上海技术物理研究所, 上海 200083
复杂场景下由背景物体产生的虚警是红外小目标检测中的难点, 在目标信号微弱时问题尤为突出。为了抑制虚警, 提出一种基于局部对比度特征的小目标检测算法。首先, 利用一种新型 Top Hat变换检测出图像中的潜在目标区域; 然后分析潜在目标区域及其邻域特性, 计算本文提出的局部对比度特征; 最后基于此特征提取目标区域。对合成图像和实际红外图像的实验表明, 本算法能有效地抑制背景景物造成的虚警, 取得很高的检测率, 并且对目标强度的变化以及目标所在背景的变化均具有一定的适应性。
小目标检测 红外图像 新型 Top Hat变换 局部对比度 复杂场景 small target detection infrared image new top hat transform local contrast complex scenes
