简介：运动目标的检测是目标识别与跟踪的关键技术之一。光流技术是一种以物体的运动特征来检测目标的方法，它的提出为运动小目标的检测开辟了新的空间。在一个搜索跟踪系统中使用光流技术检测和跟踪空中小目标，目标大概为5～10个像素，而且背景复杂，相机抖动，普通分割算法无法得到小目标。在目标的运动明显异于背景的情况下，通过利用基于光流的目标检测算法来检测出小目标，同时运用高斯金字塔模型，提高算法的运算速度。试验结果表明提出的基于光流的检测算法在背景运动的红外图像中取得了较好的效果。

简介：摘要：目标检测算法在不断更新迭代，从20世纪90年代至今，目标检测领域已经发生了翻天覆地的变化。本文简要梳理了目标检测算法的发展历程，重点对YOLOv1和YOLOv3两代算法进行了详细讨论，同时还探讨了YOLO算法在农业、工业、医学和遥感监测等领域的广泛应用，并展望了其未来的发展潜力。

简介：为解决叶片图象中害虫弱小目标的检测问题，提出了基于改进SUSAN原则的检测方法，该方法通过重新定义SUSAN原则，设置恰当的阈值，使之对小目标极为敏感，抑制背景和噪声。实验证明，本文设计的算法具有较高的效率和很好的抗噪声能力，是一种有效提取小目标的边缘检测方法。

简介：

简介：红外图像中弱小目标的检测是实现红外搜索跟踪、红外侦查预警等红外图像处理的核心技术之一。当目标距离成像系统较远,目标呈现出面积小、信噪比低等特点,增加了对其检测的难度。为了准确、快速地实现不同红外背景下的弱小目标检测,提出了一种基于多层数据融合的红外图像弱小目标单帧检测算法。

简介：摘 要: 随着计算数学和信号处理技术的发展，基于深度神经网络的目标检测算法获得了比传统模板匹配算法更优的结果。深度 学习目标检测算法分为一阶段目标检测（one-stage）和两阶段目标检测（two-stage）两类。常见的一阶段目标检测算法有 YOLO算法、SSD算法。一阶段目标检测算法的优势在于利用回归的思想直接通过图像得到预测目标框信息，速度快。二阶段目标检测算法在精度方面要优于前者，例如R-CNN、Fast-CNN等，其策略是先利用网络产生一系列的候选框，然后进行分类和回归，虽然其精度相较一阶段算法准确度更高，但是速度方面相差甚远。

简介：复杂图像中对特定目标的检测和定位是机器视觉领域的难点之一。提出使用中层视觉元素描述检测目标,以建立权值模板图像;然后对目标图像和权值模板进行加权SIFT特征匹配得到最优匹配位置,从而实现目标检测。该方法以自行车为检测目标进行实验,检测率达到86%,优于传统SIFT-AdaBoost和HOG-SVM检测方法。实验结果表明该方法能够减少复杂图像中背景干扰的问题,对于不同姿态的目标进行检测也有较强的鲁棒性。

简介：摘 要

简介：介绍和分析了在当前成像跟踪系统中常用的几种点目标滤波检测算法。为了满足图像处理实时性要求，设计了一套针对图像滤波算法的FPGA硬件实现结构。该结构具有FPGA高速并行计算能力，能在信号读出的过程中实时地完成多种滤波处理。成像实验证明该方案切实可行，具有良好的实时滤波效果。

简介：摘要：深度学习已经在目标检测领域取得了显著的进展，通过自动学习特征表示和端到端的训练方式，提高了目标检测的准确性和效率。本文对基于深度学习的目标检测算法进行了综述，包括单阶段和两阶段检测器。单阶段检测器如YOLO和SSD直接在图像上进行密集预测，具有实时性和高效性，但可能存在定位不准确性。两阶段检测器如R-CNN系列通过候选区域生成和分类/定位两个阶段实现更精确的定位，但计算资源消耗较大。选择适合任务需求的检测器取决于实时性、准确性和定位要求。未来，深度学习目标检测算法将进一步发展，结合单阶段和两阶段的优势，以提高性能和效果。

简介：摘要：近年来，Transformer模型因其在自然语言处理领域的卓越表现而备受关注。随着深度学习的不断发展，Transformer逐渐被引入计算机视觉领域，并在目标检测任务中展现出强大的潜力。本综述系统地回顾了基于Transformer的目标检测方法，首先回顾了目标检测的传统方法和基于深度学习的目标检测技术，接着介绍了Transformer的基础架构以及自注意力的原理，然后重点讲解了近年来典型的基于Transformer的目标检测方法，包括DETR（Detection Transformer）及类DETR算法，详细阐述了它们的架构和优化方法，并总结了在不同数据集上的性能表现。通过本综述，我们希望为研究人员提供一个全面的参考，帮助他们更好地理解和应用基于Transformer的目标检测方法，并推动该领域的进一步发展。

简介：摘要：近年来，Transformer模型因其在自然语言处理领域的卓越表现而备受关注。随着深度学习的不断发展，Transformer逐渐被引入计算机视觉领域，并在目标检测任务中展现出强大的潜力。本综述系统地回顾了基于Transformer的目标检测方法，首先回顾了目标检测的传统方法和基于深度学习的目标检测技术，接着介绍了Transformer的基础架构以及自注意力的原理，然后重点讲解了近年来典型的基于Transformer的目标检测方法，包括DETR（Detection Transformer）及类DETR算法，详细阐述了它们的架构和优化方法，并总结了在不同数据集上的性能表现。通过本综述，我们希望为研究人员提供一个全面的参考，帮助他们更好地理解和应用基于Transformer的目标检测方法，并推动该领域的进一步发展。

简介：摘要：近年来，Transformer模型因其在自然语言处理领域的卓越表现而备受关注。随着深度学习的不断发展，Transformer逐渐被引入计算机视觉领域，并在目标检测任务中展现出强大的潜力。本综述系统地回顾了基于Transformer的目标检测方法，首先回顾了目标检测的传统方法和基于深度学习的目标检测技术，接着介绍了Transformer的基础架构以及自注意力的原理，然后重点讲解了近年来典型的基于Transformer的目标检测方法，包括DETR（Detection Transformer）及类DETR算法，详细阐述了它们的架构和优化方法，并总结了在不同数据集上的性能表现。通过本综述，我们希望为研究人员提供一个全面的参考，帮助他们更好地理解和应用基于Transformer的目标检测方法，并推动该领域的进一步发展。

简介：摘要：近年来，Transformer模型因其在自然语言处理领域的卓越表现而备受关注。随着深度学习的不断发展，Transformer逐渐被引入计算机视觉领域，并在目标检测任务中展现出强大的潜力。本综述系统地回顾了基于Transformer的目标检测方法，首先回顾了目标检测的传统方法和基于深度学习的目标检测技术，接着介绍了Transformer的基础架构以及自注意力的原理，然后重点讲解了近年来典型的基于Transformer的目标检测方法，包括DETR（Detection Transformer）及类DETR算法，详细阐述了它们的架构和优化方法，并总结了在不同数据集上的性能表现。通过本综述，我们希望为研究人员提供一个全面的参考，帮助他们更好地理解和应用基于Transformer的目标检测方法，并推动该领域的进一步发展。

简介：摘 要：随着深度学习等人工智能算法的蓬勃发展，深度学习在机器视觉领域得到了广泛应用，目标检测算法是机器视觉领域的核心基本问题，而小目标检测一直是目标检测领域的难点。本文在通过小目标检测算法DSSD在水下清洁机器人中的实际应用案例，说明了使用该算法能够增强水下清洁机器人对小目标的检测能力，使其具有更高的辨识精确度以及更快的辨识速率。

简介：摘要：随着深度学习的不断进步，已经将应用延伸到光电跟踪设备，优质的检测跟踪算法决定光电跟踪设备的工作效率。本文提出一种改进YOLOv4的检测跟踪算法，结合空洞卷积对其网络结构进行改进，加入空洞空间金字塔池化模型，以此增大感受野，聚合多尺度上下文信息。然后，通过 K-means聚类方法生成更适合目标检测的初始候选框。其次，提出一种对象选择器，用来选择检测和跟踪轨迹中的最优候选框；最后，将最优候选框和跟踪轨

简介：摘要：目标检测是机器视觉领域和计算机视觉领域的一项重要课题，其在人脸识别和视频目标识别以及无人导航领域扮演着重要的作用，目标识别的算法多种多样，传统的目标检测算法有很多，比如基于尺度不变性特征和基于方向梯度直方图特征的算法，随着近些年大数据和计算机技术的发展，深度学习算法在众多算法中脱颖而出，目前最为先进且识别率较为准确的算法正是基于深度神经网络的目标检测手段，本文按照时间发展的先后顺序依次介绍了LeNet-5模型、AlexNet模型以及VGG模型，并对未来深度神经网络模型的发展方向从数据集和计算机性能角度进行进一步研究。

简介：摘 要 : 针对于当今监控系统大多只起拍摄作用而无智能监控手段的问题，提出了基于目标检测算法的智能监控系统。在运用目标检测算法与人脸检测算法的基础之上，利用这些算法实现了能够检测移动目标并进行图像之中人脸的检测与提取，从而当陌生人进入时系统能够精确识别。实现了智能化监控，极大提升了监控的准确性与安全性。 关键词：目标检测、人脸检测、 智能监控 引言 智能视频监控系统无需监控人员持续地盯着屏幕，减轻了工作人员的负担，并具有主动性和实时性的优势。智能视频监控系统的主要职责是利用计算机视觉技术从视频图像中检测、跟踪、识别人脸，并对该主体的行为进行理解。 一、系统设计原理 该系统在原视频系统的监控功能基础上，还增加了以下功能： 包括固定传感器布控预警、华为云平台 Atlas200DK智能摄像头、数据处理系统、可视化一体平台。其中可视化一体平台包括人员属性检测采集系统和视频结构化回溯系统实现人脸信息采集的智能化分析及预警。 （ 1）视频监控系统具有人脸识别能力。要求系统能够自动捕捉出入监控范围的人员脸部图像与数据库信息进行比对 , 并自动识别判断是否为可疑人员上传至数据库处理系统。数据处理系统通过算法模型进行人脸识别并与云数据库中的信息比对，若信息不匹配，则智能启动无人机，无人机将进行目标追踪。 （ 2）系统会将收集到的信息上传至可视化一体平台。固定摄像头拍摄图像信息上传到数据处理系统，数据处理系统通过数据处理算法和可视化数据分析上传至可视化一体平台。无人机拍摄可疑人员后自行处理并上传至可视化一体平台呈现给用户。 二、算法分析 2.1目标检测算法（ YOLO v3） YOLO v3采用帧间差分法进行图像提取，且采用多个 scale融合的方式做预测。原来的 YOLO v2有一个层叫： passthrough layer，假设最后提取的 feature map的 size是 13*13，那么这个层的作用就是将前面一层的 26*26的 feature map和本层的 13*13的 feature map进行连接，有点像 ResNet。当时这么操作也是为了加强 YOLO算法对小目标检测的精确度。这个思想在 YOLO v3中得到了进一步加强，在 YOLO v3中采用类似 FPN的 upsample和融合做法（最后融合了 3个 scale，其他两个 scale的大小分别是 26*26和 52*52），在多个 scale的 feature map上做检测，对于小目标的检测效果提升还是比较明显的。 YOLO v3中对前面两层得到的 feature map进行上采样 2倍，将更之前得到的 feature map与经过上采样得到的 feature map进行连接，这种方法可以让我们获得上采样层的语义信息以及更之前层的细粒度信息，将合并得到的 feature map经过几个卷积层处理最终得到一个之前层两倍大小的张量。 图 1 帧间差分法算法流程图

简介：当前主流的运动目标检测方法存在计算量大、计算速度慢和无法实时检测等问题。本文以室外场景下的视频作为研究对象,在特征提取方面利用HOG特征和颜色特征相结合的特征融合方法,使用主成分分析法对特征维度进行降维,克服了单特征描述能力不全面的问题和多个特征数据量大的问题;在分类器设计方面,本文使用经过调优结构后的BP神经网络,克服了模式识别检测时间长的问题。实验结果表明,该算法相对于当前主流的HOG+SVM算法,在INRIA运动目标数据库上对运动目标的检测率达到92%,且速度较快。

简介：摘要：遥感图像目标检测在城市规划、资源调查和灾害监测等领域应用广泛，基于遥感图像的目标检测具有重要研究意义。遥感技术为人们快速、全面了解地表覆盖变化提供了技术支持，在高分辨率遥感技术不断发展的大背景下，大量高品质遥感图像的采集越来越方便。遥感图像是利用遥感技术生成的远距离图像，可以对目标进行有效的处理。目标检测是遥感图像处理的基础任务之一，通过对遥感图像的分析可以分辨出水体、植被等目标，同时遥感影像可以识别更小的目标，如具体的树木、人、交通标志、足球场标志线等等，因此遥感图像目标检测已经成为当前研究的热点问题。遥感设备拍摄图像时由于设备距离目标较远，包含的地面范围大，受到分辨率的限制，待检测目标可能以微小形式显示在遥感图像中，这些检测目标具有尺度小、特征弱等特点，为图像目标的检测工作带来较大难度。