多目标识别

摘要： 【目的】针对野外环境下断蕾机器人对多特征的变量目标快速识别难题,以及目标受到树叶、遮挡及光照影响精度的问题,提出多特征目标的快速识别方法。【方法】提出对香蕉果实、果轴和花蕾这3个目标进行多尺度特征提取及模型分类,融合聚类算法设计新的目标候选框参数,提出改进YOLOv3模型及网络结构参数的YOLO-Banana模型;为了平衡速度和准确度,用YOLO-Banana和Faster R-CNN分别对变化尺寸的香蕉多目标进行试验,研究算法对识别精度与速度的影响。【结果】YOLO-Banana和Faster R-CNN这2种算法识别香蕉、花蕾和果轴的总平均精度分别为91.03%和95.16%,平均每张图像识别所需时间分别为0.237和0.434 s。2种算法精度均高于90%,YOLO-Banana的速度相对快1.83倍,更符合实时作业的需求。【结论】野外蕉园环境下,采用YOLO-Banana模型进行香蕉多目标识别,可满足断蕾机器人视觉识别的速度及精度要求。

摘要： 伴随着智能化装置的研发与使用,智能小车的功能不断丰富,但在实际操作过程中缺乏对多重目标进行分类识别,导致智能小车的使用潜力受到限制,以此为出发点,对如何实现智能小车的多目标识别进行分析,结合深度学习的方式将其拓展到智能小车的实际使用中,能够快速对智能小车指令系统与目标物体进行精确定位,有助于智能小车的未来发展潜力的挖掘,并能够提升使用智能小车行业的市场拓展,对提高生产积极性、减少其他设备的繁琐使用以及走向智能化时代具有重要意义。

摘要： 【目的】针对果园多种苹果树皮病害实时检测的需求,设计基于Android的苹果树皮病害识别APP以便进行果园精准管理。【方法】通过网络查找和实地拍摄收集轮纹病、腐烂病、干腐病3种病害的图片数据,经扩增和标注后按照8∶2比例进行训练集和测试集的划分。使用YOLOv5s算法训练苹果树皮病害识别网络模型,对训练得到的轻量级网络模型进行Android端部署,并设计相应APP界面,实现对轮纹病、腐烂病、干腐病的快速诊断。【结果】训练后得到的深度学习网络模型识别效果良好,准确率稳定在88.7%,召回率稳定在85.8%,平均精度值稳定在87.2%。其中腐烂病准确率为93.5%,干腐病准确率为88.2%,轮纹病准确率为84.3%。将其在Android端部署后,每张病害图片处理时间均小于1 s,检测置信度为87.954%。该轻量级识别系统不仅实现了3种病害的快速检测,也保证了较高的识别精度。【结论】YOLOv5s网络权重模型小,能够轻松实现Android端的部署,且基于YOLOv5s设计的APP操作简单、检测精度高、识别速度快,可以有效辅助果园精准管理。

摘要： 为了解决机械臂标定方法成本高、效率低以及求解模型复杂等问题,对低成本的机械臂实时无模型标定方法进行了研究,提出了一种基于多目标识别的机械臂实时无模型标定方法。首先,选择了低成本的双目相机为测量设备,以首次标定后的机械臂为对象,将靶标分布于每个关节,并分别建立了各靶标到对应关节的位姿变换矩阵;然后,综合考虑视觉系统误差和轮廓误差的影响,基于微小误差准则,建立了各靶标采集位姿到对应关节真实位姿间的映射关系,据此提出了一种连杆参数的无模型辨识方法;最后,为了验证基于多目标识别的机械臂无模型标定方法的准确性,搭建了仿真实验,对真实场景中的连杆参数实时无模型辨识流程进行了模拟。研究结果表明:仿真数据中,关节实际位姿的估计值与真实值间偏差可忽略不计,在此基础上的连杆参数无模型辨识误差为0%~4%;该方法对连杆参数的辨识精度仅受机械臂首次标定准确性和相机手眼标定准确性的影响,而与视觉系统误差和机械臂轮廓误差无关,因此新方法在现有的视觉测量技术支持下,能够满足机械臂实时无模型高精度标定要求。

摘要： 针对空对地观测弱小目标识别与跟踪技术需求,提出了一种改进型YOLOv5m网络的多目标识别检测方法,以提升对所占像素个数小于10*10弱小目标的识别能力;分析了网络结构输入端Mosaic数据增强、Anchor计算、Focus模块及SPP模块对弱小目标的影响;在深度学习网络Prediction层引入距离交并比非极大值抑制(DIoU-NMS)代替传统非极大值抑制(NMS),引入距离交并比损失函数(DIoU_Loss)代替广义化交并比损失函数(GIoU_Loss),加快边界框回归速率,提高定位精度,消除重叠检测,并在网络中引入4*4以上像素的目标识别层,提升对遮挡重叠弱小目标识别的准确率;实验结果表明,改进的深度学习网络算法与经典的YOLOv5m网络相比,目标识别的均值平均精度mAP指标达到89.7%,对比原网络提高了4.1%,实现了对图像像素个数小于10*10的弱小目标高精度识别,有效提升了深度学习网络对弱小目标的适应性和应用价值。

摘要： 为解决变电站红外图像中多种高压电气设备识别问题,文中提出一种基于改进Faster RCNN的变电站红外图像多目标识别方法.该方法通过VGG16提取红外图像中的多种电气设备图像特征,通过区域建议网络生成区域建议并通过边框回归调整区域建议,ROI Pooling将不同尺度的区域建议映射到尺寸固定的输出向量后送入Softmax进行分类,并按照区域建议包含关系对识别错误的部位类别进行修正.实验选取27586张红外图像制作成VOC2007格式红外数据集,并对测试集中5517张红外图像的识别结果进行统计,实验结果表明改进Faster RCNN识别准确率达到92.8％,较改进前提高了9.7％,具有较高的工程实用价值.

摘要： 针对真实环境下多目标表情分类识别算法准确率低的问题,提出一种基于改进的快速区域卷积神经网络(Faster RCNN)面部表情检测算法.该算法利用二阶检测网络实现表情识别中的多目标识别与定位,使用密集连接模块替代原始的特征提取模块,该模块能够融合多层次特征信息,增加网络深度并避免网络梯度消失.采用柔性非极大抑制(soft-NMS)改进候选框合并策略,设计衰减函数替换传统非极大抑制(NMS)贪心算法,避免相邻或重叠目标漏检,提高网络在多目标情况下的检测准确率.通过构建真实环境下的表情数据集,基于改进的Faster RCNN进行实验测试,在不同场景中能够检测出目标的面部表情,检测准确率相比原始检测模型提高5％,取得较好的检测精度.

摘要： 甲骨文作为中国最早的成形文字系统,具有重要的文化和学术价值.研究甲骨文构件和其构形系统是破译未识别的甲骨文的重要方向,但是甲骨文构件的标记工作只能由资深专家来完成,并且需要耗费大量时间和精力.针对这些问题,提出了一种基于Capsule网络和迁移学习的模型OracleNet,可以自动识别并标记甲骨文字形中包含的构件;同时,构建了包含标记的甲骨文字形和构件数据集,用于模型的训练和评估.实验结果显示,OracleNet模型对甲骨文构件的预测精确度达到了60％以上,其中Top5精确度达到了71.56％,验证了模型的有效性.

摘要： 论文以提高军事物流中的多目标识别效率为研究目的,选用基于ALOHA的动态帧时隙的防冲突算法,并采用概率学方法对RFID碰撞现象进行分析和仿真实验,设计了智慧的防冲突算法,实现了通过上一次扫描的标签数,推算下一次扫描应开设的最优帧长.该优化算法能够适应军事物流中军用物资规模变化幅度大的特点,该算法可广泛应用于各行业物流运输及追踪过程,技术柔性和扩展性较好.

摘要： 本文提出了一种新型图像多目标识别跟踪算法,突出特点为速度快、目标探测准确性高并且可以同时对多个目标进行识别跟踪.整个系统包括图像预处理即目标增强和二值化,目标识别即纵向、横向统计叠加和目标检测.传统的图像跟踪方式多采用模板相关匹配方法、梯度形心方法以及极值区域跟踪方法.传统方法不能同时区分多个目标,针对多目标和干扰等均会失效.本文所提出的方法能够有效解决这一问题,通过区分可能目标区域,能够在一定程度上抑制干扰并对多个目标进行实时跟踪.

摘要： 提出一种改进的维纳滤波模型,通过改变维纳滤波传递函数中的参考函数,以实现噪声环境下的多目标识别.文中以同时识别两个不同的目标为例,在附加高斯白噪声的条件下,进行了计算机仿真实验.仿真结果表明本模型具有良好的识别效果.

摘要： 本文论述了利用遥测技术实现的多目标识别与外测的实现途径和一种设计方案.在军事应用上,尤其在靶场试验中具有重大意义.同时在民用领域也有极大的应用前景,如自动化多端点控制系统等.因此,该技术不仅具有很大的社会效益,同时具有一定的经济效益潜力.

摘要： 为了提高水下GPS 系统的定位精度并克服多径和多普勒频移的影响，扩频数据包采用线性调频信号完成距离测量，并为后续m编码的地址码提供同步头，利用码分多址原理克服码元干扰，为解决低信噪比条件下多目标信号检测的关键问题提供了一种有效的方法。

摘要： 本文重点介绍了无源射频识别系统组成、工作原理,以及无源射频识别系统的主要波束供电技术、反向散射调制技术和多目标识别中抗冲突机制技术,介绍了射频识别技术的标准现状、应用领域,并对其发展做出了展望。

摘要： 为在空中预警监视系统中实现多异类传感器多目标联合检测、跟踪与识别,在多目标检测、跟踪的随机有限集模型基础上,进行多异类传感器多目标联合检测、跟踪与识别的理论模型与处理框架研究.通过对目标的运动学状态与目标识别属性状态统一描述,把多目标状态建模为一个用随机有限集描述的全局状态.通过对运动学传感器与属性传感器模型分析,把各异类传感器建模为一个全局传感器,并把各传感器的测量建模为一个用随机有限集描述的全局测量.根据全局状态与全局测量模型,把异类传感器多目标联合检测、跟踪与识别过程描述为Bayes滤波过程,并给出了相应的多异类传感器多目标联合检测、跟踪与识别处理框架.通过仿真试验验证了理论模型与框架的有效性.

摘要： 为在空中预警监视系统中实现多异类传感器多目标联合检测、跟踪与识别,在多目标检测、跟踪的随机有限集模型基础上,进行多异类传感器多目标联合检测、跟踪与识别的理论模型与处理框架研究.通过对目标的运动学状态与目标识别属性状态统一描述,把多目标状态建模为一个用随机有限集描述的全局状态.通过对运动学传感器与属性传感器模型分析,把各异类传感器建模为一个全局传感器,并把各传感器的测量建模为一个用随机有限集描述的全局测量.根据全局状态与全局测量模型,把异类传感器多目标联合检测、跟踪与识别过程描述为Bayes滤波过程,并给出了相应的多异类传感器多目标联合检测、跟踪与识别处理框架.通过仿真试验验证了理论模型与框架的有效性.

摘要： 为在空中预警监视系统中实现多异类传感器多目标联合检测、跟踪与识别,在多目标检测、跟踪的随机有限集模型基础上,进行多异类传感器多目标联合检测、跟踪与识别的理论模型与处理框架研究.通过对目标的运动学状态与目标识别属性状态统一描述,把多目标状态建模为一个用随机有限集描述的全局状态.通过对运动学传感器与属性传感器模型分析,把各异类传感器建模为一个全局传感器,并把各传感器的测量建模为一个用随机有限集描述的全局测量.根据全局状态与全局测量模型,把异类传感器多目标联合检测、跟踪与识别过程描述为Bayes滤波过程,并给出了相应的多异类传感器多目标联合检测、跟踪与识别处理框架.通过仿真试验验证了理论模型与框架的有效性.

摘要： 为在空中预警监视系统中实现多异类传感器多目标联合检测、跟踪与识别,在多目标检测、跟踪的随机有限集模型基础上,进行多异类传感器多目标联合检测、跟踪与识别的理论模型与处理框架研究.通过对目标的运动学状态与目标识别属性状态统一描述,把多目标状态建模为一个用随机有限集描述的全局状态.通过对运动学传感器与属性传感器模型分析,把各异类传感器建模为一个全局传感器,并把各传感器的测量建模为一个用随机有限集描述的全局测量.根据全局状态与全局测量模型,把异类传感器多目标联合检测、跟踪与识别过程描述为Bayes滤波过程,并给出了相应的多异类传感器多目标联合检测、跟踪与识别处理框架.通过仿真试验验证了理论模型与框架的有效性.

摘要： 本发明涉及一种用于计算目标脱靶量的目标识别软件系统及目标识别系统，属于技术领域。一种用于计算目标脱靶量的目标识别软件系统，是将采集的图像数据通过如下过程进行处理：第一步，底层图像预处理：图像做中值滤波后，并形成图像的直方图统计；第二步，中层目标特征提取：按照图像灰度的对比度特征分成高、低两个结果；第三步，顶层目标匹配和定位：在中层目标特征提取后，对于弱对比度图像，采用模糊熵阈值分割技术搜索目标点，并计算出目标的脱靶量；对于高对比度图像，算法将继续SIFT特征提取及匹配后搜索目标点，并计算出目标的脱靶量。同时提供了目标识别系统。本申请的技术方案具有设计的流程合理、结果精确、节约时间的优点。

摘要： 本发明提供了基于在线自动深度学习的目标识别方法、目标识别装置、终端设备和目标识别系统。其中，该方法包括：实时采集图像数据；利用存储的第一分类器，对采集到的图像数据进行目标识别，以生成带有类别标签的图像数据，类别标签包含目标类别以及目标后验概率；在目标后验概率满足预定存储条件的情况下，按照目标类别，存储为训练样本；以及在预定启动条件被满足的情况下，启动在线深度学习处理，以获得第三分类器，并且用获得的第三分类器来更新存储的第一分类器。通过采用本发明的上述方法，能够实现高准确率的目标识别。

摘要： 本发明涉及一种用于计算目标脱靶量的目标识别软件系统及目标识别系统，属于技术领域。一种用于计算目标脱靶量的目标识别软件系统，是将采集的图像数据通过如下过程进行处理：第一步，底层图像预处理：图像做中值滤波后，并形成图像的直方图统计；第二步，中层目标特征提取：按照图像灰度的对比度特征分成高、低两个结果；第三步，顶层目标匹配和定位：在中层目标特征提取后，对于弱对比度图像，采用模糊熵阈值分割技术搜索目标点，并计算出目标的脱靶量；对于高对比度图像，算法将继续SIFT特征提取及匹配后搜索目标点，并计算出目标的脱靶量。同时提供了目标识别系统。本申请的技术方案具有设计的流程合理、结果精确、节约时间的优点。

摘要： 本发明涉及目标识别技术领域，具体涉及目标识别模型的训练方法、目标识别方法及电子设备，训练方法包括获取预设识别模型以及获取样本数据集，预设识别模型是基于第一质量图像训练得到的，第一质量图像的质量高于第二质量图像的质量；对样本数据集中的第一质量图像以及第二质量图像进行第一采样得到第一采样数据集，并基于第一采样数据集训练预设识别模型，确定第一识别模型；对样本数据集中的第一质量图像以及第二质量图像进行第二采样得到第二采样数据集，并基于第二采样数据集训练预设识别模型，确定第二识别模型；对第一识别模型与第二识别模型进行特征层融合，确定目标识别模型。对具有互补性的两个模型进行结合，提高识别效果。

摘要： 本申请公开了一种目标识别模型训练、目标识别方法及装置，用以降低目标识别模型训练的复杂度并提高训练效率，以及增加图像训练样本的多样性和利用率，从而降低训练成本，提高目标识别的准确性和鲁棒性。本申请提供的特征提取网络的训练方法中，所述特征提取网络用于对图像的特征进行提取，所述方法包括：利用训练中的特征提取网络对原始图像进行特征提取，得到图像特征；利用图像生成网络对所述图像特征进行图像重构，得到重构图像；基于所述重构图像和所述原始图像之间的差异信息，调整所述训练中的特征提取网络的网络参数，得到训练后的特征提取网络。

摘要： 本申请公开了一种不同监控场景中的目标识别方法、目标识别设备及计算机可读存储介质。该方法包括：获取第一监控场景的第一图像序列，第一图像序列包括多张具有待识别目标的第一图像；根据第一图像中待识别目标的目标特征，评价多张第一图像中待识别目标在多个视图下的质量；确定待识别目标在每个视图下质量最优的目标特征；根据质量最优的目标特征，从第二监控场景的第二图像序列中识别出待识别目标。通过上述方式，能够跨监控场景自动识别出待识别目标，降低人力成本，提高识别效率。

摘要： 本公开提供了一种目标识别模型训练方法和装置，涉及计算机视觉、深度学习等技术领域。该方法的一具体实施方式包括：基于获取的原始数据，得到无标注数据和标注数据；获取预先建立的目标识别网络；执行以下训练步骤：将选取的无标注数据和选取的标注数据输入目标识别网络，计算选取的无标注数据中第一数据和增强后的第一数据的一致性损失，得到无标注损失值；计算选取的标注数据的交叉熵损失、选取的标注数据中处理数据和增强后的处理数据的一致性损失，得到标注损失值；基于无标注损失值和标注损失值，计算目标识别网络的损失值；若目标识别网络满足训练完成条件，则将目标识别网络作为目标识别模型。该实施方式提高了目标识别模型的性能。

摘要： 本发明公开了一种水声目标识别模型的训练方法及水声目标识别方法，其中训练方法包括：获取多幅水下声波图像及其对应的标注图像；确定水下声波图像的特征向量及标注图像的特征向量；对水下声波图像的特征向量进行方差预测，将方差输入至对抗生成网络的噪声生成器中，得到幅度服从瑞利分布的对抗噪声；根据对抗噪声和水下声波图像的特征向量确定对抗例；将对抗例和标注图像的特征向量输入至对抗生成网络的噪声判别器中，训练噪声生成器的参数和噪声判别器的参数。本发明采用基于对抗生成网络构建的自适应无监督噪声生成网络生成对抗例，实现自动添加噪声的功能，使得水声目标识别模型的可泛化性及噪声攻击的鲁棒性得到大幅提升。

摘要： 本申请公开了一种目标识别方法、目标识别装置以及计算机存储介质，该目标识别方法包括：基于至少一种模态的特征对待处理视频的所有视频帧进行聚类，从而将待处理视频为若干待处理子视频；对每一待处理子视频的多个模态的原始视频特征进行编码，得到每一待处理子视频的多模态编码特征；基于每一待处理子视频的多模态编码特征，以及近邻视频特征构建图网络；利用图网络将每一待处理子视频的多模态编码特征，以及近邻视频特征进行融合，得到最终的融合特征，并基于最终的融合特征对目标对象进行识别。本申请的目标识别方法能够通过一种全新的建模方式实现近邻级、视频级和多模态级这三类不同层面信息的自适应融合，提高特征识别效果。

摘要： 本发明公开了一种适用于多对多目标识别的目标同一性识别方法，将多个可见光摄像头固定安装在场景内，开机，调整多可见光摄像头的视场覆盖目标识别所需区域，调整全部可见光摄像头的焦距、视角、位姿参数并在后续的操作中维持不变，所述方法是：首先对可见光摄像头进行标定，然后对多目标进行目标同一性识别；本发明可有效对不同摄像头所观测到的目标进行同一性识别，进而判断不同摄像头所观测到的目标之间的信息是否可整合，为多对多场景下的后续目标识别与跟踪等算法实现奠定了必备基础。