本文针对目标跟踪应用, 提出了基于 Siamese-FC跟踪网络的改进卷积网络 Siamese-MF, 意在更进一步提升跟踪速度和准确性, 满足目标跟踪的工程应用需求。对于跟踪网络, 考虑速度和精度的权衡, 减少计算量, 增加卷积特征的感受野是改进跟踪网络的速度和精度的方向。在卷积网络结构上面进行改进结构创新, 改进主要集中为两点: 1) 引入特征融合, 丰富特征; 2) 引入空洞卷积, 减少计算量的同时增强感受野。 Siamese-MF算法实现了对于复杂场景目标的实时准确跟踪, 在公开数据集 OTB上测试速度达到平均 76 f/s, 跟踪成功率的均值达到 0.44, 而跟踪稳定性的均值达到 0.61, 实时性、准确性和稳定性均提升, 满足目标实时跟踪应用。

为解决医学 CT图像主动轮廓分割方法中对初始轮廓敏感的问题, 提出一种基于超像素和卷积神经网络的人体器官 CT图像联合能量函数主动轮廓分割方法。该方法首先基于超像素分割对 CT图像进行超像素网格化, 并通过卷积神经网络进行超像素分类确定边缘超像素; 然后提取边缘超像素的种子点组成初始轮廓; 最后在提取的初始轮廓基础上, 通过求解本文提出的综合能量函数最小值实现人体器官分割。实验结果表明, 本文方法与先进的 U-Net方法相比平均 Dice系数提高 5%, 为临床 CT图像病变诊断提供理论基础和新的解决方案。

在无约束的开放空间中, 由于面部姿态变化、背景环境复杂、运动模糊等, 人脸检测仍是一个具有挑战性的任务。本文针对视频流中人脸检测存在的平面内旋转问题, 将人脸关键点与金字塔光流相结合, 提出了基于级联网络和金字塔光流的旋转不变人脸检测算法。首先利用级联渐进卷积神经网络对视频流中前一帧进行人脸位置和关键点的定位; 其次为获取关键点与人脸候选框间光流映射, 使用独立的关键点检测网络对当前帧进行再次定位; 之后计算前后两帧之间关键点光流位移; 最后通过关键点光流位移与人脸候选框的映射关系, 对视频中检测到的人脸进行校正, 从而完成平面内旋转人脸不变性检测。实验经 FDDB公开数据集上测试, 证明该方法精确度较高。并且, 在 Boston面部跟踪数据集上进行动态测试, 证明该人脸检测算法能有效解决平面内旋转人脸检测问题。对比其它检测算法, 该算法检测速度有较大优势, 同时视频中窗口抖动问题得到了很好解决。

在线多目标跟踪是实时视频序列分析的重要前提。针对在线多目标跟踪中目标检测可靠性低、跟踪丢失较多、轨迹不平滑等问题，提出了基于R-FCN 网络框架的多候选关联的在线多目标跟踪模型。首先，通过基于R-FCN 网络从KF 预测结果和检测结果中获取更可靠的候选框，然后利用Siamese 网络进行基于外观特征的相似性度量，实现候选与轨迹之间的数据关联，最后通过RANSAC 算法优化跟踪轨迹。在人流密集和目标被部分遮挡的复杂场景中，提出的算法具有较高的目标识别和跟踪能力，大幅减少漏检和误检现象，跟踪轨迹更加连续平滑。实验结果表明，在同等条件下，与当前已有的方法对比，本文提出在目标跟踪准确度(MOTA)、丢失轨迹数(ML)和误报次数(FN)等多个性能指标均有较大提升。

针对当前行车预警方法无法适应露天矿非结构化道路问题, 本文提出一种融合目标检测和障碍距离阈值的预警方法。首先根据露天矿障碍特点改进原有的 Mask R-CNN检测框架, 在骨架网络中引入扩张卷积, 在不缩小特征图的情况下扩大感受野范围保证较大目标的检测精度。然后, 根据目标检测结果构建线性距离因子, 表征障碍物在输入图像中的深度信息, 并建立 SVM预警模型。最后为了保证预警模型的泛化能力采用迁移学习的方法, 在 COCO数据集中对网络进行预训练, 在文中实地采集的数据集中训练 C5阶段和检测层。实验结果表明, 本文方法在实地数据检测中精确率达到 98.47%, 召回率为 97.56%, 人工设计的线性距离因子对 SVM预警模型有良好的适应性。

为了提高医用电子内窥镜所获图像的血管与组织的对比度, 针对内窥镜血管图像的特点, 提出了一种基于多颜色空间非线性对比度拉伸的血管增强处理方法。首先在 RGB颜色空间利用非线性映射函数对绿色(G)分量进行自适应对比度拉伸; 接着依据 G分量的拉伸结果, 相应地调整红色 (R)和蓝色(B)两个分量的灰度值; 然后将图像转换到 HSV颜色空间, 并对图像的饱和度(S)分量进行自适应对比度拉伸; 最后将图像转换回 RGB颜色空间, 最终达到血管增强的目的。在本文中, 利用所提出的算法对多幅电子内窥镜图像进行处理, 结果表明, 算法对于原始特征不明显的细小血管也具有较好的增强效果。通过与其它的增强方法相对比, 增强后图像的细节方差 (DV)显著大于其它方法。将算法嵌入到分辨率为 1280×800的内窥镜软件中, 其处理速度可达 26 f/s。

相关滤波算法是通过模板与检测目标的相似性来确定目标位置, 自从将相关滤波概念用于目标跟踪起便一直受到广泛的关注, 而核相关滤波算法的提出更是将这一理念推到了一个新的高度。核相关滤波算法以其高速度、高精度以及高鲁棒性的特点迅速成为研究热点, 但核相关滤波算法在抗遮挡性能上有着严重的缺陷。本文针对核相关滤波在抗遮挡性能上的缺陷对此算法进行改进, 提出了一种融合 Sobel边缘二元模式算法的改进 KCF算法, 通过 Sobel边缘二元模式算法加权融合目标特征, 然后计算目标的峰值响应强度旁瓣值比检测目标是否丢失, 最后将 Kalman算法作为目标遮挡后搜索目标的策略。结果显示, 本文方法不仅对抗遮挡有较好的鲁棒性, 而且能够满足实时要求, 准确地对目标进行再跟踪。

针对人脸关键点检测(人脸对齐)在应用场景下的速度和精度需求, 首先在 SSD基础之上融合更多分布均匀的特征层, 对人脸框坐标进行级联预测, 形成对于多尺度人脸信息均具有更加鲁棒响应的深度学习检测器 MR-SSD。其次在局部二值特征 LBF的级联形状回归方法基础上, 提出了基于面部像素差值的多角度初始化算法。采用端正人脸正负 90°倾斜范围内的五组特征点形状进行初始化, 求取每组回归后形状的眼部特征点像素均方差值并以最大者对应方案作为最终回归形状, 从而实现对多角度倾斜人脸优异的拟合效果。本文所提出的最优架构可以实时获得极具鲁棒性的人脸框坐标并且可实现对于多角度倾斜人脸的关键点检测。

针对管道检测过程中图像采集光照不均匀、缺陷边缘提取不准确的问题，提出一种基于自适应图像增强的管道机器人缺陷检测方法。首先设计单尺度Retinex 自适应图像增强算法，利用引导滤波对图像进行照度分量估计，经自适应Gamma 矫正得到光照均衡图像，实现自适应图像增强；再对传统Canny 边缘检测方法进行改进，采用双边滤波平滑图像，通过迭代阈值法进行缺陷图像分割，根据边缘像素相似性进行连接，实现缺陷轮廓的有效提取。搭建基于自适应图像增强的管道机器人缺陷检测系统，利用履带式小车搭载云台摄像机，对管道内壁缺陷进行全方位视觉检测。实验结果表明，本文的检测方法可自适应矫正图像亮度，图像亮度不均匀明显改善，相比次优算法，图像信息熵提升2.4%，图像平均梯度提升2.3%，峰值信噪比提升4.4%，可有效提取出管道缺陷边缘，缺陷识别准确率达到97%。

本文在涵盖了从弱湍流到强湍流的所有信道条件, 能够表征现有大多数湍流信道的 M分布模型下, 采用 QPSK调制方式研究了多跳相干 OFDM FSO系统的性能。系统在中继辅助链路的发射机和接收机之间使用 DF中继协议。考虑大气湍流、路径损耗以及瞄准误差对大气信道衰落模型的联合作用, 分别推导出系统的中断概率和误符号率的 Meijer G形式的闭合表达式。通过仿真分析了中继链路长度、中继节点数以及子载波个数等关键因素对系统的中断性能和误符号率性能的影响。本研究为中继系统的实际应用奠定了理论基础。