基于行程累加的目标标记硬件加速算法

针对目标标记算法的长耗时、大延迟严重影响目标跟踪的效果和实时性问题,提出了快速的基于行程累加的目标标记硬件加速算法.通过对像素进行行程编码,按照定义的累加规则对相邻行的行程进行累加运算,避免了标号冲突的发生,无需建立等价表,实现了一遍扫描完成连通域标记和连通域特征的计算.实验结果表明提出的算法资源占用较少,输出延迟小,与软件算法相比具有很高的加速比,有利于后续目标跟踪的高速实时处理.     

一种常用两次扫描算法的改进

针对交会对接最后逼近段光学成像敏感器图像处理中的快速连通域标记问题,将标记融合和两次扫描相结合,改进了连通域标记中常用的两次扫描算法,并基于标志灯成像的几何约束和统计约束给出了可完成目标粗识别的连通域标记算法.仿真结果表明这两种改进措施都可提高有效连通域标记的效率.改进后的连通域标记算法处理一幅1 024×1 024的图像,其50次重复运行的平均耗时小于98 ms,具备实时应用的能力.     

中国民用航空器CO2减排潜力的区域划分

对中国进行科学的区域划分，是研究具有区域差异性与空间相关性航空器CO₂排放问题并提出差异化CO₂减排措施的重要基础。基于2007—2016年中国部分地区民用航空器运行数据，在构建CO₂减排潜力分类模型的基础上，通过Kruskal算法得到省域网络关系最小生成树；采用谱聚类算法，以“最大化区划优度”为目标，划分航空器CO₂减排潜力的不同区域。结果表明：最优区域划分为四分区，区划优度为0.35；航空器CO₂减排潜力高的区域主要分布于中国西南和中南地区，潜力低的区域主要分布于东北和华北地区；针对各区域CO₂减排特征，从民航局、机场和航空公司等不同主体提出了差异化的区域CO₂减排措施。     

电力系统厂站接线图拓扑关系检测技术

厂站接线图中电气元件的拓扑关系是厂站接线图自动生成技术所需的核心数据。目前，已知的厂站接线图自动生成技术仍然依靠人工获取图中的拓扑关系。通过利用基于深度学习的目标检测技术与传统的计算机图像处理技术相结合的方式，能够实现厂站接线图拓扑关系检测。首先，利用基于深度学习的目标检测方法对电气元件进行识别，并利用计算机图像处理技术对标量格式接线图进行预处理，完成电气元件与连接线的分割。然后，利用轮廓跟踪算法对连接线连通区域进行检测标记。最后，根据获取的电气元件信息与连接线信息获取图纸的拓扑关系。采用国家电网有限公司提供的数据集，并设计了对比实验，验证了所提方法的有效性。      

一种基于自动特征学习的陨石坑区域检测算法

基于陨石坑的视觉导航技术成为一种新颖的高精度空间探测自主导航方式，如何从导航图像中精确地提取陨石坑区域是实现基于陨石坑视觉导航的首要条件。针对这一问题，根据陨石坑导航图像特点，提出了一种基于自动特征学习的陨石坑区域检测算法。首先，基于最大稳定极值区域检测算法提取陨石坑候选区域；其次，利用卷积神经网络（CNN）自动学习提取候选区域的特征；最后，通过支持向量机（SVM）实现候选区域的精确分类，得到真实的陨石坑区域。大量的仿真实验表明:与传统的基于人工特征的陨石坑区域检测算法相比，提出的基于自动特征学习的陨石坑区域检测算法具有更高的检测精度和更好的鲁棒性，在通用火星表面陨石坑数据集上，所提算法的F₁度量指标较于传统算法高出8%，可以广泛地应用于基于陨石坑的视觉导航算法中的陨石坑区域提取，为基于陨石坑视觉导航算法提供精确的导航路标输入。      

高动态条件下星点像斑建模与补偿

高动态条件下星点提取有两个难点：一是暗弱星点目标湮没在噪声中不易识别，质心定位精度较差；二是星点像斑可能断裂，无法用常用的连通域算法提取。针对上述难点，本文建立了高动态条件下星点像斑模型，提出了基于该模型的像斑补偿与质心定位提取算法。该方法分为四步：第一，利用卡尔曼滤波实现星点像斑静态模板的实时迭代；第二，基于静态模型与星点运动模糊模型建立星点像斑动态模型；第三，以动态模型作为模板在恒星跟踪窗口内进行相关性匹配以确定星点像斑位置；第四，基于动态模型补偿星点像斑，并计算质心位置。实验结果表明，该方法能有效解决高动态条件下暗弱星点提取与断裂残损星点修复问题。相比传统算法，姿态精度误差均值减少了40.9%，最大误差减少了81.2%；星点提取率达到100%，提高174.5%，提取星数相比阈值分割与连通域法提高了173%。     

面向低视角场面监视的移动目标速度测量

为构建有效的机场场面视觉监视系统，提出了一种基于特征点持续跟踪与分析的移动目标速度测量方法。首先，利用场面几何特征对摄像机进行标定；然后，基于光流场对图像运动区域的特征点进行持续跟踪，在此基础上通过特征点轨迹聚类区分不同移动目标；最后，根据特征点高度与运动距离完成速度测量。所提方法能够利用机场场面摄像机获取的低视角单目视频图像，对移动目标的运动速度进行准确测量。基于广州白云国际机场的场面运行视频进行了仿真分析，验证了所提方法在低视角速度测量方面的可行性与优势。      

基于相关滤波器的嵌入式动态目标跟踪系统设计

针对空间非合作运动目标监控，提出了一种基于嵌入式技术的动态目标实时检测与跟踪方法，并完成了跟踪系统的研制设计和测试。该视觉目标跟踪系统以嵌入式处理器为控制器，通过相机模组获取实时视频图像，图像经过视觉检测与跟踪算法程序分析，得到目标的位置信息后，控制伺服运动系统调整相机姿态实现对动态目标跟踪。提出了基于相关滤波原理的跟踪算法，搭建了树莓派嵌入式测试系统，完成实时检测与跟踪的实验评估。实验结果表明，嵌入式处理器中检测与跟踪程序的平均运行帧率达到25FPS，伺服机构在水平360°和俯仰±60°范围内实现了对移动速度90°/s的目标的实时、稳定监控与跟踪。     

基于类脑模型与深度神经网络的目标检测与跟踪技术研究

目标检测与跟踪技术广泛应用于交通、医疗、安保和航天等领域.目前，目标检测与跟踪技术面临目标微弱、背景复杂、目标被遮挡等挑战.同时，随着脑科学研究的不断深入，人们对人脑视觉系统的理解逐渐透彻，利用类脑计算解决复杂背景下高精度目标检测与跟踪问题成为相关领域的重要研究方向.本文结合神经工程导向的类脑模型和计算机工程导向的深度神经网络(Deep Neural Networks, DNNs)，提出多种基于类脑模型与深度神经网络的目标检测与跟踪算法，包括：基于演算侧抑制的目标检测算法，基于结构 对比度(Structure Contrast, SC)视觉注意模型的弱小目标检测算法和基于记忆机制与分层卷积特征的目标跟踪算法.实验结果表明，将类脑模型和深度神经网络应用于目标检测和跟踪领域，有利于实现复杂条件下的高精度目标检测和鲁棒性目标跟踪.     

基于高效注意力和上下文感知的目标跟踪算法

基于匹配思想的孪生网络算法缺乏对目标的整体性感知，容易出现对目标状态估计不够精准和在复杂环境中跟丢的现象。为此，在孪生网络的基础上设计了2个轻量级的模块来实现更精准、更鲁棒的目标跟踪。在提取特征的主干网络之后，嵌入一个高效通道注意力模块，实现高效提取目标特征并增强差异化表示，使网络更注重于目标信息；模板匹配之后的特征通过一个局部上下文感知模块，增强网络对目标的整体感知，以应对跟踪过程中复杂多变的环境；采用Anchor-free的状态估计策略实现对目标的精准估计。实验结果表明:所提算法SiamCC在数据集OTB100、VOT2016和VOT2018上的测试结果均好于DaSiamRPN、ATOM等算法，并且跟踪速度达到了85帧/s。      

太阳高能粒子观测特征经向分布统计

基于多卫星联合观测数据，筛选了2006年12月至2017年10月期间122个太阳高能粒子（SEP）事件及其伴随的日冕物质抛射（CME），分析了SEP事件属性随相对经度的变化、与CME属性之间相关性的经向分布以及与Fe/O比值的关联.研究结果显示:低Fe/O类事件的峰值通量I_p通常更高，伴随CME更大，但通量上升速度较慢，且其D_u（持续时间）和I_p与CME速度呈现更强的相关性；SEP特征时间T_O（CME爆发至SEP事件爆发）与T_R（SEP事件爆发至半峰值）随相对经度增加而增大，D_u与I_p随相对经度增加而减小，通量上升斜率K在±90°范围内自东向西递减；SEP事件属性与伴随CME属性的相关性随相对经度的改变有明显变化，在磁连接好的位置，T_O与CME速度等属性呈现负相关，T_R与CME速度等属性呈现正相关，D_u，I_p与CME速度之间的相关性更强.研究结果进一步表明，SEP事件观测属性既与CME参数相关，同时又具有很强的经度依赖性，在磁连接越好的位置卫星观测到的SEP事件强度越高，SEP观测参数受CME的影响越大，这对大型SEP事件的预报很有意义.此外，高Fe/O类SEP事件与CME相关性的减弱暗示了耀斑加速、种子粒子源等因素的影响.      

基于深度学习的无人机视觉目标检测与跟踪

针对目标检测中小目标物体漏检率及误检率高等问题,提出了一种基于Yolov3-Tiny算法的改进模型。改进k-means聚类方法,增加3×3和1×1的卷积池化层,将第9层卷积输出上采样,并与第8层卷积得到的特征图进行连接,得到新的输出:52×52卷积层,形成新的特征金字塔。基于卡尔曼滤波算法实现目标跟踪,提出融合跟踪算法的检测网络,使用匈牙利匹配算法对检测边缘框与跟踪边缘框进行最优匹配,利用跟踪结果修正检测结果,提高了检测速度,同时提升了检测能力。在ROS、Gazebo和自动驾驶仪软件PX4的综合仿真环境下对所提算法进行了对比试验。试验结果表明:改进算法平均检测速度降低了15.6%,mAP提高了6.5%。融合跟踪算法后的网络平均检测速度提高了34.2%,mAP提高了8.6%。融合跟踪算法后的网络能够满足系统实时性和准确性的要求。      

飞行器栖落机动的轨迹跟踪控制及吸引域优化计算

针对固定翼飞行器栖落机动的纵向运动，研究了栖落机动轨迹跟踪控制设计与吸引域优化计算方法。首先，根据栖落动力学模型和栖落过程中各个状态量的约束，用广义伪谱法生成标称轨迹，以此为基础设计了分段线性轨迹跟踪控制律。然后，在平方和（SOS）算法的基础上计算出栖落轨迹的吸引域，以保证吸引域内的飞行器能最终栖落在目标区域。最后，进一步改进吸引域的迭代优化计算方法以扩大吸引域范围。仿真结果验证了栖落机动轨迹跟踪控制律的有效性，并表明运用所设计的吸引域优化计算方法可以获得更大的吸引域。      

基于顶点与主体区域同步检测的精准车牌定位

为应对非约束环境下的车牌精定位问题,提出一种基于顶点局部区域与主体区域同步检测策略的非约束性车牌定位算法。通过删减YOLOv5网络的输出结构,训练得到可同步检测车牌及顶点区域的车牌检测网络,在兼顾精度与计算速度的前提下,实现车牌顶点和主体区域的同步定位。针对一幅图中存在多个车牌区域及顶点区域存在少量漏检和误检的情况,分别设计了车牌顶点归类和单一缺失顶点预测后处理算法,借助顶点间的空间位置关系进行漏检目标预测和误检目标排查,有效改善了因场景复杂导致的个别顶点目标检测效果差的问题。所提算法在中国城市停车场数据集(CCPD)上的测试结果显示,平均精准率达99.25%,平均召回率达98.70%。所提算法不仅能够准确预测出车牌的4个顶点坐标,而且在中端GPU硬件平台上处理速度可达121帧/s,具有较好的应用价值。     

基于残差学习的自适应无人机目标跟踪算法

无人机已被广泛应用于军事和民用领域，目标跟踪技术是无人机应用的关键技术之一。针对无人机视频跟踪过程中目标易发生尺度变化、遮挡等问题，提出一种基于残差学习的自适应无人机目标跟踪算法。首先，结合残差学习和空洞卷积的优点构建深度网络提取目标特征，同时克服网络退化问题；其次，将提取的目标特征信息输入核相关滤波算法，构建定位滤波器确定目标的中心位置；最后，根据目标外观特性的不同进行自适应分块，并计算出目标尺度的伸缩系数。仿真实验结果表明:所提算法能够有效应对尺度变化、遮挡等情况对跟踪性能的影响，在跟踪成功率和精确度上均高于其他对比算法。      

章动目标接触消旋的特征模型控制

针对含有模型不确定性的章动非合作目标接触消旋问题，提出一种基于特征模型的双通道自适应控制方法。利用接触碰撞时的几何关系和线弹性接触力模型建立消旋系统动力学模型；分析目标自由运动特性，设计分离式消旋策略；构建描述章动目标消旋系统三轴角速度特性的特征模型，计算特征参数表达式；设计基于特征模型的双通道自适应控制器。仿真实验结果表明：所提方法通过在线估计特征参数，有效克服了消旋系统不确定性因素的影响，消旋后剩余角速度小且消旋速度快。     

基于边缘信息的灰度目标跟踪算法

提出了一种基于边缘信息的跟踪算法,其可以实现对剧烈变化的灰度目标的精确跟踪.首先,利用基于双同心圆窗口算子的非线性边缘检测算法得到高质量的边缘信息;其次,为了解决单一边缘特征空间不能充分表征目标的难题,提出了一种通过组合边缘图像构建特征空间的方法,以便为目标建模提供充分信息;再次,在构建的特征空间中使用核估计方法对目标进行建模;在目标定位阶段,利用Kalman滤波器对目标进行预估后,再由Mean Shift算法在预估位置邻近区域实现目标定位;最后,提出了一种基于形态学的动态模型更新策略,使得算法不仅可以获得精确的目标区域,还可以实现对目标尺寸和形状变化的自适应.实验结果表明,本算法不仅可以有效跟踪剧烈变化的灰度目标,而且跟踪窗口可以实现对目标尺寸和形状的自适应.      

结合空间注意力机制的实时鲁棒视觉跟踪

为提高全卷积孪生网络(SiamFC)跟踪器在复杂场景下的跟踪能力,缓解跟踪器在跟踪过程中出现的目标漂移问题,提出一种结合空间注意力机制的实时目标跟踪算法。在SiamFC框架基础上,将改进的视觉几何组(VGG)网络作为主干网络,增强跟踪器对于目标深度特征的建模能力。对自注意力机制进行优化,提出一种即插即用的轻量级单卷积注意力模块(SCAM),将空间注意力分解为2个并行的一维特征编码过程,减少空间注意力的计算复杂度。保留跟踪过程中的初始目标模板作为第1模板,通过分析连通域在跟踪结果响应图的变化动态选择第2模板,融合2个模板后对目标进行定位。实验结果表明：在OTB100、LaSOT和UAV123数据集上,所提算法相比于SiamFC跟踪成功率分别提高了0.082、0.045和0.045,跟踪精度分别提高了0.118、0.051和0.062;在VOT2018数据集上,所提算法相比于SiamFC在跟踪准确率、鲁棒性和期望平均重叠率上分别提高了0.029、0.276和0.134;跟踪速度达到了70帧/s,能够满足实时跟踪的需求。     

高动态下的星体目标质心提取方法

高动态情况下,星点像斑在星敏感器探测器上会呈现出拖尾现象,星点质心无法被准确提取。针对上述难点,本文提出了一种高动态条件下基于差异哈希算法的星点质心提取方法。该方法分为三步：第一,建立动态星斑的数学模型;第二,利用差异哈希算法和汉明距离实现星跟踪窗口内星体目标粗定位;第三,在粗定位区域使用阈值分割与连通域法提取星点质心。实验结果表明,该方法能够适应各种长度的曝光时间,并实现星敏感器在3（°）/s条件下的稳定跟踪。在曝光时间50ms,角速度3（°）/s的条件下,星对角距误差为13”,平均提取率为96%,相比于传统方法,分别提高了29.6%和22.9%。     

基于区域预测和视觉注意计算的快速目标检测

提出了一种结合区域预测与视觉注意模型化计算的快速目标检测方法.通过分析图像近似均匀的3个水平子区域的方向特征图之灰度比率,灰度特征图之信息熵和子区域位置,建立了目标区域预测的判定准则.同时,通过优选特征和优化特征图之权重,改进了视觉注意计算模型.对于一幅待检测图像,根据区域预测的判定准则,实现目标区域的快速预测,并利用改进的视觉注意计算模型对目标区域进行视觉注意计算,实现特定目标的快速精确定位.实验结果表明:针对户外场景中的行人目标,与通过整幅图像的视觉注意计算来实现目标检测的传统方法相比较,该检测方法可使检测时间缩短30%,同时还能使检测准确率提高9%.