中国人民解放军军事科学院军事医学研究院微生物流行病研究所，北京 100071
基于表面增强拉曼散射（SERS）的免疫层析检测技术是一种前沿研究技术，主要利用纳米材料制得的SERS标志材料取代传统的胶体金，综合了SERS高通量、高灵敏度和免疫层析简便、快速的双重优势，满足了定量检测的需求。其中，高性能纳米材料是SERS免疫层析技术实现高灵敏度检测的关键，研究人员通过设计和优化纳米材料的粒径、形态、结构等制备出具有强SERS增强性能的SERS基底，以提高检测灵敏度。本文首先介绍了SERS免疫层析技术的基本原理；然后，综述了用于SERS免疫层析技术的几种SERS基底以及SERS免疫层析技术在不同检测物质中的应用；最后，讨论并展望了SERS免疫层析技术未来发展趋势。
表面增强拉曼散射 免疫层析 现场快速检测 多重检测 光学学报
2023, 43(17): 1712003
1 天津大学 精密测试技术及仪器国家重点实验室，天津 300072
2 天津大学 微光机电系统技术教育部重点实验室，天津 300072
为构建适用于长时跟踪的重检测模块，受改进二阶段检测网络的GlobalTrack方法的启发，提出了一种高效的对特定模板目标进行端到端重检测的深度网络：首先，为了在大尺度图像上更高效地融合模板特征，通过构造交叉信息增强模块改进深度互相关方法，利用交叉通道注意力信息编码搜索特征和模板特征；此外，采用动态实例交互模块替代传统二阶段网络的RPN（region proposal network）和RCNN(region-based convolutional neural networks)结构，根据模板信息指导检测网络的分类和回归阶段，构建了端到端的稀疏重检测结构。在LaSOT和OxUva长时跟踪数据集上进行对比实验，本文方法相较于原始方法性能提升3%，实时帧率提升173%。实验结果表明，改进后的方法可以在全图范围内更准确、快速地重新检测模板目标。
长时跟踪 二阶段检测 重检测 通道注意力机制 long-term tracking two-stage detection re-detection channel attention mechanism
传统的核相关滤波跟踪(KCF)算法不能很好地处理目标快速移动和大面积遮挡, 容易导致目标丢失。在KCF算法的基础上, 提出了目标丢失检测、第一帧重检测、扩展区域重检测3种机制来解决以上问题。利用最大响应分数和平均峰值相关能量(APCE)来判别目标是否丢失；在目标即将丢失时, 采用扩展区域重检测机制；在目标图像与第一帧目标图像相似时, 采用第一帧重检测机制。为了能体现出所提算法的跟踪性能, 从VOT2016和OTB100数据集中选取了14组视频序列作为测试集, 其中7组视频序列含有目标遮挡和快速运动情况。经过定量实验对比, 所提算法相比传统KCF算法平均中心位置误差(CPE)减少了20像素,平均重叠率(OR)提高了16.1%。
目标跟踪 核相关滤波 重检测 第一帧 target tracking kernel correlation filtering re-detection first frame
1 兰州交通大学电子与信息工程学院, 甘肃 兰州 730070
2 中国科学院光电技术研究所, 四川 成都 610209
在目标遮挡、光线变化等复杂的跟踪环境下,现有相关滤波跟踪算法无法对目标进行长时间实时稳定跟踪。提出一种基于模型更新与快速重检测的长时跟踪算法。首先,在现有的目标定位与尺度变化的相关滤波跟踪算法基础上搭建长时目标跟踪的框架,提出加入模型监测更新机制,根据最大响应和平均峰响应相关能量值判别进入更新或重检测环节;然后,基于提取描述子特征的重检测方法,将提取特征的比特维数统一降到512进行优化,加快重检测速率。所提算法选取OTB-100中20个有代表性的序列进行测试,成功率评估均值为0.706,精确度评估均值为0.805,平均速度为48.5 frame/s;在自采集的数据集上平均准确率能达到87.65%,能够在尺度变化、遮挡等复杂情况下满足长时跟踪的准确性和实时性要求。
机器视觉 目标跟踪 相关滤波 模型更新 在线重检测
虞跃洋 1,2,3,4,5,*史泽林 1,2,3,4,5刘云鹏 2,3,4,5
1 中国科学技术大学信息科学技术学院, 安徽 合肥 230026
2 中国科学院沈阳自动化研究所, 辽宁 沈阳 110016
3 中国科学院机器人与智能制造创新研究院, 辽宁 沈阳 110016
4 中国科学院光电信息处理重点实验室, 辽宁 沈阳 110016
5 辽宁省图像理解与视觉计算重点实验室, 辽宁 沈阳 110016
针对长时目标跟踪中目标背景混杂、遮挡、目标移出视野导致的跟踪失败问题,基于空间正则化相关滤波(SRDCF),提出一个基于前景感知的时空相关滤波算法。首先,提出前景感知相关滤波方法,使得滤波器能够准确地把目标前景区域和背景区域进行区分;然后,把前景感知滤波器加入时间正则项中,使具有时空正则化功能的滤波器始终保持在一个低维的判别流形上;同时,采用交替方向乘子法(ADMM)求解,使得跟踪方法在传统特征的表达上能实现实时性;最后,确定目标重检测器的激活阈值,利用候选区域方法结合相关滤波方法实现重检测,达到长时跟踪的目的。在标准数据集OTB-2013上分别利用传统特征和卷积特征进行实验,并与SRDCF相比,跟踪平均成功率分别提高了5.6%和7%。本文算法针对目标背景模糊、旋转、遮挡和移出视野等情况,具有较强的稳健性。
机器视觉 目标跟踪 相关滤波 时间一致性 重检测 激光与光电子学进展
2019, 56(22): 221503
