摘要：针对城市场景中车辆目标分布状态随机,在检测过程中容易受到环境因素干扰等问题,提出一种将多角度合成孔径雷达(SAR)图像用于静止车辆目标提取的检测算法。在特征提取阶段,设计了一种适用于多角度图像上车辆目标的多尺度旋转不变的Gabor滤波器奇分量比例算子(MR-GOFRO)特征提取方法,对原有的GOFRO特征进行了滤波形式、特征尺度、特征方向、特征层次等4个方面的扩展,使其能够适应车辆目标在方向、尺度、形态等方面可能发生的变化。在图像融合阶段,设计了加权的非负矩阵分解(W-NMF)方法,根据特征质量调整来源于不同图像的特征权重,减少由于不同角度间相互干扰造成融合特征质量下降的现象。将该文所提出方法在不同的机载多角度图像数据集上进行验证,实验结果表明,该文提出的特征提取方法与同类方法相比,检测精度平均提升了3.69%;该文提出的特征融合方法与同类方法相比,检测精度提升了4.67%。

摘要：针对复杂交通场景下城市车辆目标检测算法存在的漏检、精度低、泛化能力弱的问题,提出一种改进的YOLOv8城市车辆目标检测算法。采用一种改进的GAM-C2f结构来代替主干网络中的C2f模块,平衡模型的计算效率和准确性;设计一种SPPFAPGC模块,防止SPPF结构因最大池化操作所导致的局部特征丢失问题,提高特征图的丰富度,并进一步结合小目标检测头来加强对远处小目标车辆的检测能力,加强局部特征与全局特征的融合。为抑制低质量图像产生的有害梯度,使用WIOU损失函数代替CIoU,以提升网络的边界框回归性能,提高模型的收敛速度和回归精度。在Streets车辆数据集上的实验结果表明,与基准模型YOLOv8n相比,改进算法的mAP50和Recall分别提高了1.6和2.0个百分点,有效改善了城市交通场景下小目标车辆检测性能不佳的问题;在VisDrone2019数据集上进行验证,mAP50和Recall也分别提高了1.1和1.6个百分点,充分证明了改进算法的优越性。与其他先进主流算法相比,改进算法表现出了更高的准确率和查全率,表明改进算法在城市车辆检测任务中具有更好的性能。

摘要：极化合成孔径雷达(polarimetric synthetic aperture radar,PolSAR)能够获取目标丰富的极化信息,在人造目标的散射机理解译和检测、分类、识别等领域发挥着重要的作用.PolSAR车辆目标检测对环境侦察监视、道路交通监管等应用来说尤为关键.不同于海上的舰船目标,车辆目标所处的地面背景包括草地、树木、建筑、道路等,背景杂波较为复杂,人造杂波干扰较强,这给PolSAR车辆目标的检测带来了一定的挑战.车辆目标散射机理的准确解译是后续极化特征提取和目标检测方法设计的基础.为了准确描述车辆目标的散射行为,本文构建了旋转二面角散射模型,并由此提出了一种精细五分量极化分解方法.在此基础上,通过分析车辆目标与其地面背景的散射特性差异,本文提出了一种散射功率复合特征检测器,用于车辆目标的检测.在两景实测无人机载SAR数据上的实验结果证明,本文方法能够显著提高车辆目标处的目标杂波比(target-to-clutter ratio,TCR),获得了优异的检测性能.此外,本文方法能够保留车辆目标完整的轮廓和细节信息,有助于后续的分类、识别等应用.

摘要：提出了一种毫米波雷达与视觉融合的车辆目标检测系统,并设计了一种基于嵌入式平台的系统实现方式。首先,采用基于改进的YOLOv3‑tiny目标检测算法实现了视频中的车辆目标检测;然后,通过毫米波雷达点云分析提取出目标航迹;最后,经过坐标空间转换,将图像目标信息与毫米波雷达目标信息进行关联融合,获得准确的车辆目标检测结果。试验结果表明,该系统在车辆目标检测方面具有较高的正确率和较低的虚警率。

摘要：针对现有交通监控场景下车辆目标检测算法参数多、计算量大,难以在资源有限的设备中部署的问题,提出一种基于YOLOv8改进的轻量型车辆目标检测算法GSE-YOLO。结合Ghost卷积技术,设计出一种轻量型特征提取模块C2fGhostv2,在减少计算负担的同时保证良好的特征提取能力。在颈部网络,引入SA(shu ffl e attention)注意力机制,主动选择合适的特征图权重凸显重要特征信息,减少背景对车辆检测的干扰。引入新的损失函数EIOU,解决边界框的纵横比模糊问题,提高预测框精度。实验结果表明,在交通数据集UA-DETRAC上,GSE-YOLO在检测精度没有损失的情况下,相较于原始YOLOv8参数量降低36.11%,计算量降低29.21%,更适合在计算量有限的边缘设备上部署,具有实用价值。

摘要：针对复杂交通监控场景中视频车辆检测模型难以提取丰富的目标特征的问题,本文从充分利用视频图像时空特征信息的角度,新建时空特征融合模块SF-Module,运用Transformer模型中的多头自注意力机制实现视频车辆图像当前帧和历史帧时空特征信息的提取和融合,丰富目标的特征信息;在此基础上,基于YOLOv8网络,在其颈部网络融合新建的时空特征融合模块SF-Module,挖掘视频图像序列的时空特征信息;同时,引入WIoU损失函数作为预测框回归损失,减少低质量标注框产生的有害梯度,设计SFW-YOLOv8视频车辆检测模型。最后,新建的SFW-YOLOv8复杂场景视频车辆检测模型在UA-DETRAC数据集上进行实验,对数据集中的部分图片进行了模拟雨天和雾天的数据增强,提高车辆检测模型的泛化性。实验结果表明,SFW-YOLOv8视频车辆检测模型的MAP50和MAP50:5:95值为79.1%和63.6%,较YOLOv8模型分别提高了1.7%和3.3%,推理速度为11 ms/帧,具有较为优秀的检测性能。

摘要：车辆目标检测是自动驾驶的重要环节,现有的车辆目标检测算法在特征提取方面没有充分考虑卷积神经网络(convolutional neural network,CNN)和Transformer各自的优缺点,一定程度上限制了网络的整体性能。提出了一种由CNN和Transformer组成的双分支特征聚合网络。在编码阶段,基于CNN和Transformer各自的优势,构建了双分支主干网络来提取原始图像的特征信息;通过设计的多级别空间注意力模块和双支路特征聚合模块,使两个分支间的特征信息相互引导学习;通过构建的双分支注意力模块来进一步减少深层神经网络中特征信息的丢失。在实验部分通过消融实验和对比实验进一步验证了所提算法的有效性,其相比主流的目标检测算法,在mAP(mean average precision)指标上提升了约3.5%。

摘要：为了兼顾毫米波雷达轻量化与高分辨率检测的需求,设计了一种基于MIMO体制的轻量化毫米波雷达。通过优化阵列天线的设计,对天线线阵的各个参数进行设计与仿真,给出长短距离模式MIMO雷达天线布阵,能够较大提升雷达的距离和角度探测性能,实现了在较小的体积内达到高分辨率的探测能力。同时,对距离速度单元检测与目标位置估计算法进行改进,利用二维FFT和相位差法,确保了雷达在城市快速公路等复杂场景中的探测距离达到400 m。通过实测验证,轻量型MIMO毫米波雷达在多运动目标的情况下,依然能保持稳定的探测与跟踪能力。对比传统的毫米波雷达,它在保持高分辨率的同时,显著提升了探测距离。

摘要：在基于单目视觉的辅助驾驶中,对车载摄像头拍摄的视频进行车辆检测、识别、分析,可以提取出有效信息来提醒司机或控制车辆的行驶,是机器视觉技术挑战问题。该文利用深度特征表达对车载视频进行车辆检测和分析,首先,针对现有卷积神经网络对超清分辨率车载视频分析效果差的问题,提出随机失活池化降维方法改进设计卷积神经网络适应高分辨率视频;其二,针对检测标识的车辆提取行驶状态信息的问题,该文利用现有卷积神经网络的重新训练分析出车辆的行驶方向:前向(F-direction)行驶车辆和对向(R-direction)行驶车辆。实验证明,该文的方法能够实时、有效地检测车辆和分析状态。