1 西安邮电大学 计算机学院，西安 710121
2 陕西省网络数据分析与智能处理重点实验室，西安 710121
针对红外图像和可见光图像的融合目标检测问题，提出一种基于双模态融合网络的目标检测算法。在同时输入红外和可见光图像对后，利用设计的红外编码器提取红外图像空间特征信息；通过设计的可见光编码器将可见光图像从垂直和水平两个空间方向聚合特征，通过精确的位置信息对通道关系进行编码；最后，采用提出的门控融合网络自适应调节两路特征的权重分配，实现跨模态特征融合。在KAIST行人数据集上，与基准算法YOLOv5-n单独检测可见光图像和红外图像的结果相比，所提算法检测精度分别提升15.1%和2.8%；与基准算法YOLOv5-s相比，检测精度分别提升14.7%和3%；同时，检测速度在两个不同基准算法模型上分别达到117.6 FPS和102 FPS。在自建的GIR数据集上，所提算法的检测精度和速度也同样具有明显优势。此外，该算法还能对单独输入的可见光或红外图像进行目标检测，且检测性能与基准算法相比有明显提升。
目标检测 门控网络 早期融合 双模态 编码器 Object detection Gating network Early fusion Dual-model Encoder
1 西安邮电大学计算机学院，陕西 西安 710121
2 西安邮电大学陕西省网络数据分析与智能处理重点实验室，陕西 西安 710121
3 火箭军工程大学作战保障学院，陕西 西安 710025
针对SiamMask不能很好地适应目标外观变化，特征信息利用不足导致生成掩码较为粗糙等问题，本文提出一种基于自适应模板更新与多特征融合的视频目标分割算法。首先，算法利用每一帧的分割结果对模板进行自适应更新；其次，使用混合池化模块对主干网络第四阶段提取的特征进行增强，将增强后的特征与粗略掩码进行融合；最后，使用特征融合模块对粗略掩码进行逐阶段细化，该模块能够对拼接后的特征进行有效的加权组合。实验结果表明，与SiamMask相比，本文算法性能有明显提升。在DAVIS2016数据集上，本文算法的区域相似度和轮廓相似度分别为0.727和0.696，比基准算法提升了1.0%和1.8%，速度达到40.2 f/s；在DAVIS2017数据集上，本文算法的区域相似度和轮廓相似度分别为0.567和0.615，比基准算法提升了2.4%和3.0%，速度达到42.6 f/s。
视频目标分割 模板更新 特征融合 掩码细化 video object segmentation template update feature fusion mask thinning
1 西安邮电大学计算机学院，陕西 西安 710121
2 西安邮电大学陕西省网络数据分析与智能处理重点实验室，陕西 西安 710121
3 空军工程大学信息与导航学院，陕西 西安 710077
基于Siamese网络的视觉跟踪算法是近年来视觉跟踪领域的一类重要方法，其在跟踪速度和精度上都具有良好的性能。但是大多数基于Siamese网络的跟踪算法依赖离线训练模型，缺乏对跟踪器的在线更新。针对这一问题，本文提出了一种基于在线学习的Siamese网络视觉跟踪算法。该算法采用双模板思想，将第一帧中的目标当作静态模板，在后续帧中使用高置信度更新策略获取动态模板；在线跟踪时，利用快速变换学习模型从双模板中学习目标的表观变化，同时根据当前帧的颜色直方图特征计算出搜索区域的目标似然概率图，与深度特征融合，进行背景抑制学习；最后，将双模板获取的响应图进行加权融合，获得最终跟踪结果。在OTB2015、TempleColor128和VOT数据集上的实验结果表明，本文算法的测试结果与近几年的多种主流算法相比均有所提高，在目标形变、相似背景干扰、快速运动等复杂场景下具有较好的跟踪性能。
视觉跟踪 Siamese网络 双模板 快速变换学习模型 target tracking Siamese network dual templates fast transformation learning model
1 西安邮电大学计算机学院，陕西 西安 710121
2 西安邮电大学陕西省网络数据分析与智能处理重点实验室，陕西 西安 710121
3 空军工程大学信息与导航学院，陕西 西安 710077
目前使用颜色属性特征表征目标的几种主流算法中，均使用主成分分析法 (PCA)处理颜色属性特征，而 PCA方法假设输入数据中存在的噪声必须服从高斯分布，该方法存在明显不足。针对这一问题，本文根据鲁棒主成分分析法 (Robust PCA)对颜色属性特征进行处理。将输入图像从原始 RGB颜色空间映射至颜色属性空间，得到 11种不同的颜色属性层；之后，基于 Robust PCA处理颜色属性特征，使得映射后的图片信息都集中在少数层上，在保留原始图片大量信息的前提下滤除噪声。本文将使用 Robust PCA处理后的颜色属性特征用于原始 CN算法框架中并设置不同的降维层数对比其带来的算法性能差异。在 OTB100中，与原始 CN框架相比，算法成功率提升 1.0%，精度提升 0.9%。经实验数据证明，通过 Robust PCA处理后的颜色属性特征具有更强的鲁棒性，可以更好地发挥出其优势并提升算法性能。
目标跟踪 鲁棒PCA 颜色属性 visual tracking PCA PCA robust PCA color name
1 西安邮电大学计算机学院，陕西 西安 710121
2 西安邮电大学陕西省网络数据分析与智能处理重点实验室， 陕西 西安 710121
3 空军工程大学信息与导航学院，陕西 西安 710077
根据目标检测算法中出现的目标漏检和重复检测问题，本文提出了一种基于双阈值-非极大值抑制的Faster R-CNN改进算法。算法首先利用深层卷积网络架构提取目标的多层卷积特征，然后通过提出的双阈值-非极大值抑制(DT-NMS)算法在RPN阶段提取目标候选区域的深层信息，最后使用了双线性插值方法来改进原RoI pooling层中的最近邻插值法，使算法在检测数据集上对目标的定位更加准确。实验结果表明，DT-NMS算法既有效地平衡了单阈值算法对目标漏检问题和目标误检问题的关系，又针对性地减小了同一目标被多次检测的概率。与soft-NMS算法相比，本文算法在PASCAL VOC2007上的重复检测率降低了2.4%，多次检测的目标错分率降低了2%。与Faster R-CNN算法相比，本文算法在PASCAL VOC2007上检测精度达到74.7%，性能提升了1.5%。在MSCOCO数据集上性能提升了1.4%。同时本文算法具有较快的检测速度，达到16 FPS。
计算机视觉 目标检测 非极大值抑制 卷积神经网络 computer vision object detection non-maximum suppression convolutional neural network
1 西安邮电大学 计算机学院, 陕西 西安 710121
2 西安邮电大学 陕西省网络数据分析与智能处理重点实验室, 陕西 西安 710121
3 空军工程大学 信息与导航学院, 陕西 西安 710077
为了解决相关滤波视觉跟踪算法在复杂场景中产生的跟踪漂移问题, 提出一种融合检测机制的相关滤波跟踪框架。利用时空正则化滤波器作为跟踪器, 同时使用线性核相关滤波器作为检测器。当跟踪器与目标进行相关计算得到的响应图为多个峰值时, 激活检测器, 对多个峰值进行相关匹配, 获得重检测结果; 同时, 使用平均峰值相关能量的滤波器模型更新策略得到更加可靠的检测器, 以达到提高跟踪精度和算法鲁棒性的目的。在OTB2015、Temple color 128和VOT2016数据平台上的实验结果表明, 与近年提出的性能较出色的跟踪算法相比, 本文算法在目标运动模糊、相似背景干扰和光照变化等复杂场景中具有更好的鲁棒性和准确性, 且跟踪精度和成功率上均有提高。
计算机视觉 目标跟踪 相关滤波 多峰检测 computer vision target tracking correlation filtering multi-peak detection
1 西安邮电大学计算机学院, 陕西西安 710121
2 西安邮电大学陕西省网络数据分析与智能处理重点实验室, 陕西西安 710121
3 空军工程大学信息与导航学院, 陕西西安 710077
为了克服传统分水岭算法引起的过分割问题, 提出了一种基于简单线性迭代聚类(SLIC)与分水岭算法相结合的彩色图像分割算法, 以获得更理想的分割效果。该算法首先利用图像复杂度计算预分割的超像素个数, 并利用 SLIC对原始图像进行超像素分割预处理, 以减少后续处理中的冗余信息; 然后, 提出了一种自适应计算阈值的方法对预处理图像的梯度图像进行阈值处理, 以有效去除噪声, 获得较完整的轮廓信息; 最后, 利用分水岭分割算法对进行极小值标记提取后的图像进行分割。通过对大量图片进行实验表明, 本文算法可以有效地抑制传统分水岭算法所产生的过分割问题, 在 LCE和 GCE的对比上优于传统算法, 分割质量有所提高。
超像素 分水岭 图像分割 图像复杂度 super pixel watershed image segmentation image complexity
