����FPGA��ʵʱ����Ŀ�����ϵͳ�����ʵ��

针对民航机场及周边空域安全管理的需求和雷达监视存在盲区易受干扰的缺点,设计了一种基于FPGA的实时空中目标跟踪系统. 针对空中目标的特点,采用灰度图像的帧间差分法进行目标检测,自适应双阈值进行目标分割,形心跟踪法进行目标跟踪,达到25帧/s的实时处理速度;算法通过设置跟踪区域和目标锁定点,排除了干扰的影响,提高了系统跟踪能力;采用形心坐标的脱靶量作为云台调整参数,依据分割目标像素大小在跟踪过程中进行了自动变焦控制;采用IDE接口硬盘作为存储介质,FAT32文件系统作为图像存储形式来记录实时图像. 外场实验表明,系统工作稳定,跟踪算法简单实用,可辅助雷达系统对飞机起降及机场空域移动目标进行跟踪监视.     

利用MAS实现车辆动态识别与智能跟踪

针对视频图像车辆智能跟踪问题,提出了利用帧间差异积累动态矩阵进行自适应背景建模算法,采用背景差提取运动目标区域,设计了一种基于知识的多Agent智能系统进行目标分割、轮廓提取和空域滤波,增强了抗背景干扰能力,使获得的目标区域具有更好的空域连通特性;通过自适应核窗宽改进了MeanShift算法的收敛速度,利用SSD算法实现了快速初始定位。实验结果表明,该方法自治能力强,跟踪目标快速准确,实时有效。     

红外运动目标图像的识别与跟踪技术研究

文中实现了基于红外扫描图像的运动物体自动识别跟踪系统.选择了Butterworth滤波和中值滤波结合的方法对图像进行预处理,基于多帧图像的局部能量的分割算法来实现图像背景的分割,并采用卡尔曼跟踪算法和目标方位确定算法相结合完成对红外小目标的跟踪.在VC++中使用GDI来建立雷达扫描式的极坐标系,将目标运动轨迹在坐标系中显示出模拟轨迹.     

基于时序融合的自动驾驶多任务感知算法

采用连续图像帧作为输入,挖掘连续图像帧之间的时序关联信息,构建一种融合时序信息的多任务联合驾驶环境视觉感知算法,通过多任务监督联合优化,实现交通参与目标的快速检测,同时获取可通行区域信息;采用ResNet50作为骨干网络,在骨干网络中构建级联特征融合模块,捕捉不同图像帧之间的非局部远程依赖关系,将高分辨率图像通过卷积下采样处理,加速不同图像帧的特征提取过程,平衡算法的精度和速度;在不同的图像帧中,为了消除由于物体运动产生的空间位移对特征融合的影响,且考虑不同图像帧的非局部关联信息,构建时序特征融合模块分别对不同图像帧对应的特征图进行时序对齐与匹配,形成融合全局特征;基于共享参数的骨干网络,利用生成关键点热图的方法对道路中的行人、车辆和交通信号灯的位置进行检测,并利用语义分割子网络为自动驾驶汽车提供道路可行驶区域信息。研究结果表明：提出的感知算法以多帧图像代替单一帧图像作为输入,利用了多帧图像的序列特性,级联特征融合模块通过下采样使得计算复杂度降低为原来的1/16,与CornerNet、ICNet等其他主流模型相比,算法检测精确率平均提升了6%,分割性能平均提升了5%,并保持了每秒12帧图像的处理速度,在检测与分割速度和精度上具有明显优势。     

基于单目视觉的水面船舶多目标定位方法

针对水面船舶的多目标实时定位, 提出了一种定位和运动参数求解算法, 采用固定位置和视角的单目摄像机采集船舶图像, 对采集的图像进行高斯滤波和图像畸变校正, 提出了基于船舶颜色、尺寸与运动学特征同时识别多个船舶目标(每个船舶目标独立识别)的方法, 构建了图像坐标与真实环境坐标的转换模型与实时航速、航向和轨迹的计算模型, 在水池环境下搭建了实时定位系统, 开发了实时定位程序, 并验证了定位方法的定位精度和轨迹跟踪性能。验证结果表明: 在存在外界干扰的情况下, 定位算法能实现对2艘船舶的精确识别; 修正前坐标点横、纵坐标平均误差分别为0.058、0.209m, 修正后分别为0.038、0.124m;摄像机定位数据更新频率为8 Hz, 满足船舶控制需要; 算法能实现对船舶位置、航速和航向的准确、实时计算, 轨迹平滑且未出现异常点。     

受电弓故障的车载图像识别技术

针对列车在途中因受电弓发生故障而影响运行安全的问题,提出了一种受电弓故障的车载图像识别技术,以实时检测受电弓降弓、变形与毁坏,碳滑板异常磨耗与缺口,弓角变形与缺失故障;基于更快速的区域卷积神经网络(Faster R-CNN)目标检测框架设计了弓头图像定位目标检测模型,利用残差网络代替原有卷积网络,利用特征金字塔多尺度预测结构构建了候选区域推荐网络,以精准、快速地进行弓头定位和状态检侧;基于掩码区域卷积神经网络(Mask R-CNN)实例分割框架设计了弓头图像分割模型,并针对性地重新设计了检测头的网络结构与特征图尺寸,以适应受电弓的细长弯曲特征,从而准确、快速分割弓头图像;为了在分割后的二值图中更快速地识别与定位故障,根据受电弓结构尺寸和图像分割模型输出的位置坐标,制定了弓角与碳滑板故障的快速模板匹配策略,并在此基础上编制了详细的故障检测算法与程序。研究结果表明：在相应的数据集上,弓头图像定位目标检测模型的平均检测精度为0.944,平均每帧检测时间为0.029 s,弓头图像分割模型的平均分割精度为0.967,平均每帧检测时间为0.031 s,模板匹配的检测精度为0.985,平均每帧检测时间为0.005 s,故障检测算法的平均检测精度为0.966,平均每帧检测时间为0.051 s。由此可见,提出的检测算法具备了较高的可靠性和实时性。     

ʵʱ�����Ŷӳ���ͼ����ϵͳ��FPGAӲ��ʵ��

针对现有交通路口车辆排队长度检测系统处理速度低、无法适用于实际复杂路口环境的缺陷,设计了一种基于FPGA的实时车辆排队长度图像检测系统.通过形态学边缘处理检测车辆的存在,对检测出的车队轮廓进行水平投影并采用一种基于信息量的车辆度量方法从投影结果中提取了排队的队尾,同时在确定排队长度时通过对算法参数的自适应调整有效消除图像逆透视效果的干扰;整个图像处理过程完全利用FPGA硬件逻辑实现,采用五级并行流水设计保证图像采集、高斯滤波、Sobel边缘检测、阈值分割和形态学腐蚀处理同步执行且同时完成,实现了对分辨率为720×576的图像25帧/s的处理速度.实验结果表明,系统性能良好,工作稳定,算法简单实用,具有较好的应用前景.     

分形维-最大熵阈值的弱边缘工业CT图像分割算法

含有弱边缘的工业CT图像在分割时易产生过分割现象,对此提出了一种分形维定位和最大熵阈值分割的图像分割算法.首先,采用中值滤波和高斯平滑对图像进行预处理;其次,对预处理后的图像进行分块,并求取每个分块的分形维;再次,根据背景和缺陷处分形维的差异对缺陷进行粗定位,并根据连通域分析精确定位缺陷区域;最后,利用最大熵阈值法对精确定位后的局部区域进行分割.仿真实验表明:所提算法具有良好的分割能力,可以准确地分割出含有弱边缘的缺陷目标,并有效排除轮廓背景对分割的干扰,避免了过分割.     

基于小区域跟踪的多晶硅视频检测系统

为实时测量多晶硅棒直径,研制了多晶硅棒径在线视频检测系统.该系统采用双相机成像的机器视觉方法实现目标硅棒的监测,采用左中右差分的图像分割技术提取目标,采用基于小区域的质心跟踪算法跟踪目标.系统标定后,可实时测量还原炉内多晶硅棒的直径.实验结果表明:该系统能检测微弱边缘,在直径为8~150 mm的范围内,测量精度高于工业视觉图像测量的要求.     

一种基于MRF的多层遗传递减视频对象分割算法

提出一种视频对象分割方法,将时域信息、空域信息和图像颜色特征有效地结合起来,采用MRF遗传递减式分类来提取视频对象.利用视频帧的颜色特征,在初始分割中采用时空域分水岭方法,建立一个时空域毗连图(ST-RAG);基于时空域毗连图建立马尔可夫随机场(MRF)模型,在分割过程中采用遗传递减式方法对区域进行合理分类,利用形态学进行后处理,分割出感兴趣的视频对象.实验结果表明所获取的分割方法具有灵活性,且精度高.     

���ڸĽ�����ɫ������ֱ��ͼ���µ�Mean-Shift�㷨

为了提高复杂环境下智能视频监控对运动目标跟踪的可靠性,提出一种基于改进的颜色特征和直方图更新的Mean-Shift跟踪算法.该算法利用像素点局部颜色变化作为跟踪目标像素点特征,弥补单一颜色值特征对目标表征的不足;并根据Mean-Shift跟踪结果和目标匹配程度对目标直方图进行更新,保证在目标姿态和大小发生变化时目标特征直方图的有效性.实验结果表明：与传统Mean-Shift算法相比,改进的颜色特征减小了相似背景像素对运动目标的干扰,目标直方图的更新提高了Mean-Shift算法对目标姿态和大小改变的鲁棒性.算法提高了基于颜色特征的Mean-Shift算法对复杂环境中运动目标进行实时跟踪的可靠性.     

一种基于物影匹配算法的道路小目标跟踪方法

针对复杂道路环境下小目标抛洒物难以被检测与跟踪，且落地静止像素易被纳入背景而导致目标丢失等问题，本文提出一种基于物影匹配算法(OSMA)的道路小目标跟踪方法来解决上述问题。首先，采用混合高斯模型对背景进行建模以此获取前景图像，对前景图像采用膨胀、腐蚀等形态学处理；其次，根据道路抛洒物移动时在前景产生独立的物与影双轮廓特征，进行连续帧前景轮廓的物影匹配，并将连续的匹配结果定为疑似抛洒物；最后，采用多帧质心偏移法判断疑似抛洒物是否处于静止状态，并对运动状态中的疑似抛洒物进行位置判定与帧间轮廓匹配，从而实现抛洒物的逐帧跟踪。基于大量实验表明：本文所提出的OSMA与核化相关滤波器(KCF)、辨别尺度空间跟踪器(DSST)、背景感知相关滤波器(BACF)、深度注意力跟踪器(DAT)、视觉跟踪时空变换器(SATRK)等跟踪器相比，准确性更优越，可较好解决道路复杂场景下各类抛洒物的跟踪问题；复杂背景、快速旋转的小目标场景中跟踪表现优异，具有良好的跟踪尺度，实时性满足预期要求。     

结合区域分割和Wishart分类器的机场跑道区域快速检测方法

提出了一种结合区域分割和Wishart分类器的极化合成孔径雷达图像机场跑道区域快速检测方法; 利用简单线性迭代聚类算法分割极化合成孔径雷达图像, 并将分割得到的超像素作为后续分类处理的基本单元; 采用一种优化后的距离度量方式给超像素分配类别标签, 解决了传统Wishart距离度量因子冗余运算量大的问题; 分析了机场跑道区域像素的极化散射特性, 利用机场跑道区域的弱散射特性从分类结果中提取感兴趣区域; 利用机场跑道的结构特征筛选辨识感兴趣区域, 进而确定机场跑道区域的准确位置; 利用极化合成孔径雷达实测数据测试了算法的有效性, 并与传统基于像素的检测结果进行对比。试验结果表明: 该算法在复杂大场景下能够快速有效检测出机场跑道区域, 检测出的跑道轮廓清晰, 结构比较完整; 采用简单线性迭代聚类算法预处理图像极大地降低了后续处理的复杂性; 针对墨西哥湾试验数据, Wishart分类器处理单元个数分别是Freeman+Wishart算法和FCM+Wishart算法的1.0%和2.4%, 整个检测过程耗时分别为Freeman+Wishart算法和FCM+Wishart算法的9.9%和27.1%;针对大岛试验数据, Wishart分类器处理单元个数分别是Freeman+Wishart算法和FCM+Wishart算法的1.0%和2.6%, 整个检测过程耗时分别为Freeman+Wishart算法和FCM+Wishart算法的14.0%和31.8%。可见, 所提检测方法的实时性能优于基于像素的检测方法。     

Optimal Sensor Decision Based on Particle Filter

Introduction Multi-sensor tracking technique has receivedmuch attention in recent years. Many tracking sys-tems involve basically active (radar) and passive(infrared tracking) subsystems. The main disad-vantage of infrared search and tracking is the prob-lem of observability and filtering divergence. Actu-ally, quite a lot of research activities have beendone in this field and some researchers more thanonce simulated the feasibility of the approach[1,2].The main idea of the methods is as foll…     

基于分块EnKF的非线性目标跟踪算法

针对滤波航迹的相关性以及初始状态的选择会对跟踪性能产生影响的问题,将集合卡尔曼滤波算法引入到非线性目标跟踪领域,验证了其可行性和有效性,提出了基于分块集合卡尔曼滤波的非线性目标跟踪算法.采用分块思想生成初始集合,使用协方差矩阵加权方法解决分块间的航迹相关问题.仿真结果表明基于分块集合卡尔曼滤波的目标跟踪算法计算复杂度和以往的集合卡尔曼滤波算法同阶的情况下可以提供更高的运动参数估计精度,解决了粒子滤波算法计算量大难以进行实时跟踪的问题.      

基于多普勒测距雷达的实时距离测量系统

研究了机场助航灯光强动态检测技术的工作原理, 分析了光强动态检测中距离测量的特点, 基于多普勒测距雷达原理, 构建了非接触式实时距离测量系统。结合硬件板卡, 采用面向对象方法设计了测量软件, 使用多线程技术, 使距离测量和灯光照度测量在不同的线程中工作, 并对整个光强动态测量过程进行自动控制。试验结果表明: 应用该系统实现了距离测量和灯光照度测量的同步进行, 距离测量误差低于5 mm; 通过距离测量能够对光强动态测量过程进行精确控制, 照度测量点间距控制精度达到0.000 5%。可见, 该系统实时性好, 测量精度高, 能够满足实时进行精确距离测量的要求。     

模糊航空图像中的道路自动检测方法

为了在模糊航空图像中精确地检测道路, 通过分析图像中道路特性, 提出了一种道路自动检测方法。通过多尺度Retinex算法增强模糊图像, 用改进的Canny边缘检测算法检测图像中的主要路段, 使用交叉熵理论和贝叶斯决策理论自动获取梯度图像中的高低阈值, 从而将灰度图像转化为二值图像, 并将图像中所有线性目标进行骨架提取。根据线性目标的形状与尺寸参数进行噪声滤除, 并根据端点的方向与端点间的距离进行道路间隙缝合, 并结合边缘和原始图像信息调节和修正已检测出的道路。将道路自动检测方法与几种常用的图像分割算法进行比较, 包括大津阈值分割算法, Canny边缘检测算法与图论最小割算法, 并使用道路自动检测方法对模糊图像中的单条道路、交叉道路和多条道路进行检测。检测结果表明: 对模糊或光照不均的航空道路图像, Retinex算法增强图像后可以清晰显示主干道路, 而常规的图像分割算法无法将主干道提取出来, 使用改进的Canny边缘检测算法并附以图像后处理功能较好地提取主干道路。使用道路自动检测方法能够清晰地检测模糊航空图像中单条道路、交叉道路和多条道路, 与人工识别的效果接近。