1 昆明理工大学 信息工程与自动化学院， 云南 昆明 650500
2 昆明理工大学 云南省计算机技术应用重点实验室， 云南 昆明 650500
帧间差分法是运动目标检测的经典方法，但当运动目标速度低到一定数值时，难以检测到运动目标。针对其可检测目标速度的限制，在帧间差分法的基础上，提出了动态帧差法。结合FPGA处理的特点，进行了动态帧差算法的FPGA设计与实现，并构建了一个新的实时运动目标检测系统。系统能够根据目标运动情况自适应调整用于差分图像的帧间距，既适用于较快运动目标的检测，也适用于低速运动目标的检测，扩大了系统可检测运动目标的速度范围。对DDR3端口进行区域划分，解决了在资源有限的FPGA上对图像的多帧存储的问题。多组实验结果证实了动态帧差法及其FPGA设计模块的有效性和实时性。相比其他系统，所研究系统在检测低速运动目标方面具有明显的优势，且可处理1080p@30Hz的彩色视频流。
图像处理 目标检测 帧间差分 实时性 image processing target detection frame difference FPGA FPGA real time
1 长春理工大学电子信息工程学院，吉林 长春 130022
2 长春理工大学空地激光通信国防重点学科实验室，吉林 长春 130022
3 长春理工大学光电工程学院，吉林 长春 130022
为解决机载激光通信中光电跟踪平台获得脱靶量存在滞后的问题，将协方差匹配技术与Sage-Husa自适应Kalman滤波相结合应用到脱靶量滞后补偿中。首先，通过Sage-Husa自适应Kalman算法补偿滞后的脱靶量，并引入遗忘滤波的思想降低过去的量测数据对现在的影响；然后，加入基于协方差匹配技术的判据，判据生效时更新噪声协方差阵，同时增大遗忘因子使量测先验协方差阵误差估计值与理论值更快地相容达到平衡，保证系统的实时性。在仿真中目标为等效正弦运动时改进的Kalman滤波比普通Kalman滤波降低了31.1%的预测误差。在实验验证中改进的Kalman滤波跟踪精度提高18.5%，实时性提高了18%，满足了控制系统对脱靶量滞后补偿的要求，使系统运行更稳定。
机载激光通信 脱靶量滞后 协方差匹配技术 自适应Kalman 遗忘因子 实时性 激光与光电子学进展
2023, 60(7): 0706008
目标检测是计算机视觉领域的重点研究方向，SSD模型虽然在检测精度与速度上均取得较好的效果，但其利用低语义信息的浅层特征训练小目标，容易出现小目标漏检和误检现象。对此，提出了一种基于单次双向特征金字塔网络的改进SSD目标检测模型（OBSSD）。首先基于分层融合的思想构建双向特征融合模块来解决浅层特征利用不足的问题；其次引入融合权重来更加有效地融合不同层级的特征，改善浅层特征语义信息低的问题；最后在分类和回归预测前加入基于残差模块的检测单元，解决因分类网络偏向平移不变性导致的目标定位不准确问题。在PASCAL VOC2007测试集上的实验结果表明：所提模型的平均精确度（mAP）为80.8%，较SSD模型提高6.5个百分点，且检测速度满足实时检测的需求。
机器视觉 目标检测模型 特征融合 语义信息 实时性 激光与光电子学进展
2023, 60(2): 0215005
1 广东电网公司河源供电局, 广州 517000
2 华北电力大学 电子与通信工程系, 河北 保定 071003
3 华北电力大学 河北省电力物联网技术重点实验室, 河北 保定 071003
4 华北电力大学 保定市光纤传感与光通信技术重点实验室, 河北 保定 071003
为了提高智能化光纤复合架空线路态势感知的实时性, 将人工神经网络方法应用于光纤沿线应变解调,确定了神经网络的结构。编程实现了基于洛伦兹模型的最小二乘谱拟合方法和神经网络方法, 采用不同信噪比和布里渊频移的布里渊谱训练神经网络, 将它们应用于某光纤复合架空线路沿线光纤应变的测量, 从不同角度比较了两种方法的计算结果。计算结果表明, 神经网络方法能有效获得光纤沿线的布里渊频移进而获得应变, 具有与谱拟合方法相似的准确性, 但应变解调时间仅约为谱拟合方法的1/20000。研究结果为提高智能光纤复合架空线路态势感知的实时性提供了参考。
智能化架空线路 布里渊散射 应变 人工神经网络 实时性 intelligent overhead line Brillouin scattering strain artificial neural network real-time performance
1 中国科学院上海技术物理研究所 红外探测与成像技术重点实验室，上海 200083
2 中国科学院大学 电子电气与通信工程学院，北京 100049
针对仅配备CPU的红外成像系统，本文提出了一种基于中心点的实时目标检测方法。遵循轻量化的设计原则，首先引入了低计算成本的特征提取网络，并在此基础上设计了相应的特征融合模块以充分利用不同阶段提取的空间和上下文信息。同时为了进一步提高网络的表征能力，提出了一个背景抑制模块以完成对前景区域的特征增强，并最终通过轻量检测网络实现对目标中心点及其相应属性的预测。在红外空中目标数据集上的实验表明，本文所提方法能够在CPU上以21.69 ms每帧的速度达到90.24%的检测精度。与经典的Tiny-YOLOv3相比，在计算量和参数量仅为前者21%和11%的前提下，检测精度提高了10.94%，并且检测速度提高了10.02 ms，证明了方法在实时红外系统中的巨大应用潜力。
红外图像 目标检测 实时性 深度学习 infrared image target detection real time deep learning
北京信息科技大学 传感器重点实验室, 北京 100101
谐振式加速度计可以将加速度转换为频率信号, 在导航、姿态控制等加速度计的应用领域, 采集信号需要限定在较短时间内, 为了满足应用的要求, 基于一种单基片集成式石英谐振器, 通过现场可编程门阵列(FPGA)实现了一种针对集成式石英谐振加速度计的倍频电路设计方案, 包括时钟自适应模块和锁相环。时钟自适应模块根据当前输入信号产生锁相环基准时钟并将输入信号进行倍频。离心机加速度测试结果表明, 当测量时间由1 s缩短为0.125 s时, 传感器标度因数为3 173 Hz/g(g=9.8 m/s2), 线性相关系数R2=0.999 32, 与未倍频时相比, 标度因数与线性度基本保持不变, 所设计的倍频电路可应用于石英谐振加速度计的信号处理及数据采集系统中。
加速度计 集成式石英谐振器 倍频电路 现场可编程门阵列(FPGA) 实时性 accelerometer integrated quartz resonator frequency doubling circuit field programmable gate array(FPGA) real time
1 五邑大学智能制造学部, 广东 江门 529020
2 深圳大学电子与信息工程学院, 广东 深圳 518060
在对点云进行三维重建中,不可避免地会产生各种噪声。现有方法中,在三维空间中通过分析和计算点云几何关系去除噪声点,存在计算复杂、耗时等缺点。提出了一种基于图像处理的点云滤波算法。首先对点云进行预处理,将点云映射到图像上,其次通过图像处理方法去除噪声区域,重新恢复成三维点云,最终得到不包含噪声的点云。详细分析了所提算法的实现过程,并通过实验结果验证了所提算法的有效性、实时性。
图像处理 点云 滤波 映射 实时性 激光与光电子学进展
2021, 58(6): 0610015
1 中国科学院微小卫星创新研究院, 上海 201203
2 中国科学院大学, 北京 100049
3 中国科学院微小卫星重点实验室, 上海 201203
在行星探测任务中,针对尺度不变特征变换(SIFT)算法计算量大,无法同时满足对导航算法准确性和实时性要求的问题,提出了一种基于快速高斯模糊的并行化SIFT算法,即FG-SIFT算法。首先,将算法中构建高斯金字塔的二维高斯核函数分离成两个一维高斯函数,降低算法的计算复杂度。然后,对于每一维高斯函数,使用两个无限脉冲响应滤波器串联进行逼近,进一步减少计算量。最后,利用并行化处理的优势,设计算法各部分的并行化计算方案。仿真结果表明,FG-SIFT算法的计算效率相较于原SIFT算法平均提高了15倍,相较于没有使用快速高斯模糊的SIFT算法,在图形处理器上的运行效率也有近2倍的提高,很大程度上减少了特征点提取的计算时长,提高了算法的实时性。
图像处理 尺度不变特征变换算法 快速高斯模糊 CUDA 实时性 激光与光电子学进展
2021, 58(2): 0210020
1 光电控制技术重点实验室, 河南 洛阳 471000
2 中国航空工业集团公司洛阳电光设备研究所, 河南 洛阳 471000
在图像匹配中, 图像分辨率越高, 可提取的特征越多, 匹配精度也越高, 但相应的匹配耗时也会越长。因此, 对基于SIFT的图像匹配算法进行改进。首先, 使用第二组高斯金字塔上的特征点进行粗匹配, 由基于GMS改进的RANSAC剔除误匹配点并初步得到仿射矩阵, 大致确定匹配区域; 然后, 筛选剩余特征点中位于该区域的部分进行细匹配, 并用初步得到的仿射矩阵筛选匹配对; 最后, 基于最小二乘算法再次去误匹配并快速求解最终的仿射变换矩阵。经实验验证, 所提算法在保证亚像素精度的条件下, 很大程度上减少了算法的匹配耗时, 提高了实时性。
图像匹配 实时性 最小二乘法 image matching SIFT SIFT real-time performance GMS GMS least squares algorithm
1 中国科学院光电技术研究所, 成都 610209
2 中国科学院大学, 北京 100049
针对当前无人机检测算法普遍不能做到快速准确检测的问题, 提出了一种基于SSD的改进实时轻量级无人机检测算法——TSSD。首先, 针对SSD算法的骨干网络权重参数量大的问题, 改进得到一种轻量级的骨干网络。其次, 针对SSD只利用多层特征图进行多尺度预测, 而特征之间的联系没有被很好地融合利用, 加入了一种特征增强模块来提高检测能力。在自建无人机数据集中进行的实验结果表明, 提出的算法检测速度达到125f/s, 远高于原始SSD的检测速度, 且准确率比原始SSD也有所提升。
深度学习 SSD算法 无人机检测 特征增强 实时性 deep learning SSD algorithm UAV detection feature enhancement real time
