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。
遥感 激光雷达 复杂场景 地面分割 合并式 鲁棒性 激光与光电子学进展
2022, 59(10): 1028003
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
烽火通信科技股份有限公司,湖北 武汉 430074
随着IPRAN(IP无线接入网)的测试和应用,对于双节点跨环进行环间保护并且使用MS-PW(多段伪线)和DNI(双归属)保护的全二层PWE3(端到端的伪线仿真)或者L2VPN(二层虚拟专网)转L3VPN(三层虚拟专网)业务的复杂应用场景,采用常规配置方式过程非常复杂。文章介绍了IPRAN在上述场景中复杂的配置步骤,提出用业务场景模板方法进行关键节点映射替换,将业务需要的隧道、PW、PW冗余和DNI保护等都纳入业务配置过程中,一次性快速完成,从而解决这种场景中端到端静态业务配置的效率问题。
IP无线接入网 复杂场景 多段伪线 双归属 二层虚拟专网 三层虚拟专网 IPRAN complex scene MS-PW DNI L2VPN L3VPN