目标检测
目标检测作为计算机视觉中的基本视觉识别问题，目前已经成为社会安全、公共交通和国防军事等各个领域的基础性研究课题之一，在机器人导航、航空航天、工业检测、行人追踪和军事应用等领域应用广泛。所谓的目标检测，是通过分析目标的几何特征，从图像或视频中定位感兴趣的目标，准确地判断每个目标的具体类别，并给出每个目标的边界框。然而，目标所处的环境缤纷复杂、目标本身通常具有不同的形态以及光亮、颜色和遮挡等多种因素的影响使目标检测在近年来受到广泛关注。传统的目标检测的方法主要包括区域选择、特征提取和分类三个阶段。
主题关键词： 计算机视觉小目标检测特征提取图像配准
- 论文汇编
基于改进多尺度分形特征的红外图像弱小目标检测
摘要：为提高红外图像弱小目标检测的准确率和实时性，在分析用于红外图像增强的分形参数K相关的多尺度分形特征(MFFK)基础上，提出了一种基于改进多尺度分形特征(IMFFK)的红外图像弱小目标检测算法。首先，将基于地毯覆盖法的分形维数计算公式代入MFFK计算公式，提出了一种改进多尺度分形特征(IMFFK)用于图像增强。其次，对IMFFK特征计算进行简化，采用自适应阈值分割得到感兴趣目标区域，提出了一种具有较高计算效率的红外图像弱小目标检测算法。最后，通过仿真图像分析了主要参数对图像增强和算法耗时的影响，采用红外真实图像进行了算法检测性能测试，并与当前基于局部对比度测度的目标检测算法进行了对比。实验结果表明，提出的算法虽然在一些检测场景具有较多虚警，但能同时适用于弱小目标和较大目标检测，且无论目标为亮目标或暗目标。提出算法对于低分辨率红外图像(320×240)检测接近30 frame/s。提出算法具有较强的适用性，能够检测出红外图像中具有较高局部对比度的目标。关键词：红外图像;弱小目标检测;多尺度分形特征;图像增强681|518|13<HTML><网络PDF><Meta-XML>更新时间：2020-07-13结合多尺度视觉显著性的舰船目标检测
摘要：光学遥感图像海面舰船目标检测易受云雾，海岛，海杂波等复杂背景的干扰。本文提出了一种适用于复杂背景的舰船目标检测方法。首先为了克服目标尺度多变问题，利用视觉显著性生成多尺度显著图，然后使用基尼指数自适应选择最优显著图。考虑到全局阈值分割算法带来的漏检测问题，提出一种新的方案来分离目标和背景像素点。利用图像膨胀原理获取显著图的局部极大值点，然后使用k-means算法判断极大值点属于目标像素点还是背景像素点。接着对目标点邻近区域进行精细分割。最后引入基于径向梯度变换的旋转不变特征来进一步剔除虚警。实验结果表明，该算法能够成功检测出不同尺寸和方向的舰船目标，有效克服复杂背景的干扰。算法检测正确率93%，虚警率4%，优于其他舰船检测方法。关键词：图像处理;目标检测;视觉显著性;局部极值;径向梯度变换458|494|9<HTML><网络PDF><Meta-XML>更新时间：2020-07-13基于深度卷积神经网络的目标检测研究综述
摘要：作为计算机视觉中的基本视觉识别问题，目标检测在过去的几十年中得到了广泛地研究。目标检测旨在给定图像中找到具有准确定位的特定对象，并为每个对象分配一个对应的标签。近年来，深度卷积神经网络DCNN(Deep Convolutional Neural Networks)凭借其特征学习和迁移学习的强大能力在图像分类方面取得了一系列突破，在目标检测方面，它越来越受到人们的重视。因此，如何将CNN应用于目标检测并获得更好的性能是一项重要的研究。首先回顾和介绍了几类经典的目标检测算法；然后将深度学习算法的产生过程作为切入点，以系统的方式全面概述了各种目标检测方法；最后针对目标检测和深度学习算法面临的重大挑战，讨论了一些未来的方向，以促进深度学习对目标检测的研究。关键词：图像处理;深度卷积神经网络;目标检测;特征表示;深度学习2546|1986|64<HTML><网络PDF><Meta-XML>更新时间：2020-07-09Tiny YOLOV3目标检测改进
摘要：针对Tiny YOLOV3目标检测算法在实时检测中对行人等小目标漏检率高的问题，对该算法的特征提取网络、预测网络、损失函数等进行研究改进。首先，在特征提取网络中增加2步长的卷积层，代替原网络中的最大池化层进行下采样；接着，使用深度可分离卷积构造反残差块替换传统卷积，降低模型尺寸和参数量，增加高维特征提取；然后，在原网络两尺度预测的基础上增加一尺度，形成三尺度预测；最后，对损失函数中的边界框位置误差项进行优化。实验结果表明，改进后的Tiny YOLOV3算法的目标检测准确率比原算法提高了9.8%，满足实时性要求，具有一定鲁棒性。本文方法能够更好地提取目标特征，多尺度预测和边界框位置误差的改进能更准确地对目标进行检测。关键词：目标检测;Tiny YOLOV3;深度可分离卷积;反残差块;多尺度预测605|687|17<HTML><网络PDF><Meta-XML>更新时间：2020-08-13采用视觉特征整合的红外弱小目标检测
摘要：针对红外光学系统在复杂背景下的弱小目标检测问题，建立了基于特征整合的信息处理模型，提出了采用视觉特征整合的弱小目标检测方法。该方法首先利用视网膜神经节细胞感受野的数学模型DOG(Different-of-Gaussian)对红外图像进行初级信息处理，初步检测出弱小目标。而后，分为空域和频域两个通道进行特征提取。在空域通道，利用图像信息构造二阶微分Hessian矩阵，通过计算其直迹与行列式进行局部极值的判定，提取出含有弱小目标的结构分量特征；在频域通道，利用小波对图像频域进行二级分解，提取出含有弱小目标的高频分量特征。最后，将空域通道与频域通道的分量特征整合，提取出复杂背景下的弱小目标。实验结果表明：当虚警率为10-3时，该方法对弱小目标的平均检测概率为95.17%。基本满足红外弱小目标检测方法的稳定可靠、精度高等要求。关键词：计算机视觉;目标检测;弱小目标;视觉特征整合494|18|5更新时间：2020-07-16改进YOLOv2卷积神经网络的多类型合作目标检测
摘要：针对大型构件三维精密测量中构件结构复杂、测量环境变化等导致的合作目标检测精度低的问题，提出一种改进YOLOv2卷积神经网络的多类型合作目标检测方法。首先，利用WGAN-GP生成对抗网络扩增合作目标图像样本数量；其次，采用卷积层密集连接代替YOLOv2基础网络的逐层连接增强图像特征信息流，引入空间金字塔池化汇聚图像局部区域特征，构建改进YOLOv2卷积神经网络的多类型合作目标检测方法；最后，采用增强的目标图像样本数据集训练改进YOLOv2卷积神经网络的多类型合作目标检测模型，实现多类型合作目标检测。实验结果表明：采用多类型合作目标图像数据集测试，多类型合作目标检测精度达到90.48%，目标检测速度为58.7 frame/s。该方法具有较高的检测精度和速度，鲁棒性好，满足大型构件三维精密测量中多类型合作目标检测的要求。关键词：合作目标;目标检测;数据增强;改进YOLOv2;卷积神经网络550|855|16<HTML><网络PDF>更新时间：2020-08-13基于张量表示的高光谱图像目标检测算法
摘要：高光谱图像目标检测是当前一个研究热点。其在军事和民用方面的应用越来越广泛。为了能同时利用高光谱图像数据的空谱信息，本文提出一种新的基于张量表示的高光谱图像目标检测算法。算法使用CP张量分解技术和张量块分解(BTD)分别对高光谱数据进行盲源分析，提取了有效的局部图像块空谱特征，建立了一个基于稀疏表示和协作表示的检测模型，针对多种类型背景复杂的场景数据进行实验，并与当前流行的目标检测算法进行比较。从可视化检测结果来看，本文算法在复杂背景和强噪声环境下，有效提取了空谱特征，对背景具有较好的抑制能力，检测的目标显著。此外，本文从接收机操作曲线(ROC)和ROC曲线下面积(AUC)等定量指标分析算法性能。以较为流行的Sandiego图像为例，在10%的虚警率下，本文算法取得90%的检测精度，AUC大于0.95。本文算法相较几种流行算法而言具有较高的检测精度，更强的鲁棒性。关键词：目标检测;高光谱图像;张量表示;特征提取;协作表示152|92|9<HTML><网络PDF><Meta-XML>更新时间：2020-08-13基于张量表示的高光谱图像目标检测
摘要：高光谱图像目标检测作为一个研究热点在军事和民用方面的应用越来越广泛。为了能同时利用高光谱图像数据的空谱信息，本文提出一种新的基于张量表示的高光谱图像目标检测算法。算法使用CP(Canonical Polyadic)张量分解技术和张量块分解(Block Term Decomposition，BTD)分别对高光谱数据进行盲源分析，提取了有效的局部图像块空谱特征，建立了一个基于稀疏表示和协作表示的检测模型，针对多种类型背景复杂的场景数据进行实验，并与当前流行的目标检测算法进行比较。从可视化检测结果来看，本文算法在复杂背景和强噪声环境下，有效提取了空谱特征，对背景具有较好的抑制能力，检测的目标显著。此外，本文从接收机操作曲线(Receiver Operating Characteristic Curve，ROC)和ROC曲线下面积(Area Under Curve，AUC)等定量指标分析算法性能。以较为流行的Sandiego图像为例，在10%的虚警率下，本文算法取得90%的检测精度，AUC大于0.95。本文算法相较几种流行算法而言具有较高的检测精度，更强的鲁棒性。关键词：目标检测;高光谱图像;张量表示;特征提取;协作表示325|17|0更新时间：2020-08-13基于空时混沌分析的海面小弱目标检测
摘要：为了提升海杂波中小弱目标检测能力，通过研究海杂波在空域和时域上的动态特性，提出基于空时混沌分析的海面小弱目标检测方法。首先，在海杂波混沌动力系统相空间重构的基础上提取海浪序列图像的空域混沌参数和时域混沌参数，验证海杂波在空域与时域具备混沌性；然后，采用径向基函数神经网络学习海杂波的空域混沌重构函数、时域混沌重构函数和空时耦合系数，联合空域和时域混沌特性综合重构海杂波在时间与空间上的传播规律。多种复杂度海面目标检测试验结果表明，与空域混沌和时域混沌方法相比，预测误差可降低10%，检测概率可提高20%，基于空时混沌重构的海杂波抑制能力与小目标检测性都得以显著提升。关键词：目标检测;小弱目标;海杂波抑制;空时混沌;空时耦合415|686|6<HTML><网络PDF>更新时间：2020-08-13基于预分割和回归的深度学习目标检测
摘要：针对高分辨率图像中的小目标检测检测难的问题，结合基于候选区域的目标检测方法中的感兴趣区域提取策略和基于回归的目标检测算法中的回归策略，提出了基于预分割和回归的深度学习目标检测算法。因此使用四叉树对原始图像兴趣目标提取，使用基于回归的目标检测方法对感兴趣区域的目标进行细致的再定位和分类。与传统的Fast-RCNN方法和YOLO系列的基于回归的深度学习方法相比，基于四叉树的深度学习的目标检测算法在精度和速度上有明显优势。经过实验结果分析表明，与Fast-RCNN相比，Quad-ssd算法在目标检测时精度提高了6.5%，达到了74.9%，检测速度大幅提高，达到45帧每秒，完全满足实时性的要求。关键词：四叉树;深度学习;小目标检测;Quad-ssd435|799|0<HTML><网络PDF><Meta-XML>更新时间：2020-08-13
