基于改进DPA 的空间小目标检测算法
小目标检测综述
小目标检测综述
小目标检测是计算机视觉领域中的一个重要研究方向，它旨在从图像或视频中检测出小尺寸的目标物体，例如人脸、车辆、行人等。
由于小目标物体的尺寸较小，其特征信息相对较少，因此小目标检测面临着诸多挑战，如目标物体的分辨率低、图像噪声和背景干扰等。
近年来，小目标检测技术取得了很大的进展，出现了许多有效的方法和算法。
以下是一些常见的小目标检测方法：
1. 基于深度学习的方法：深度学习技术在计算机视觉领域中取得了巨大的成功，也被广泛应用于小目标检测中。
常用的深度学习模型包括卷积神经网络 CNN）、循环神经网络 RNN）和生成对抗网络 GAN）等。
2. 基于多尺度的方法：由于小目标物体的尺寸较小，其在不同尺度下的特征信息不同，因此可以采用多尺度的方法来检测小目标物体。
常用的多尺度方法包括图像金字塔、特征金字塔和多分辨率图像融合等。
3. 基于上下文信息的方法：小目标物体通常与周围环境存在一定的上下文信息，因此可以利用这些上下文信息来提高小目标检测的准确性。
常用的上下文信息包括目标物体周围的像素值、目标物体与周围物体的相对位置等。
4. 基于数据增强的方法：由于小目标物体的数据量较少，因此可以采用数据增强的方法来增加数据量，从而提高小目标检测的准确性。
常用的数据增强方法包括翻转、旋转、缩放、裁剪等。
总之，小目标检测是一个具有挑战性的研究方向，需要综合运用多种技术和方法来提高检测的准确性和效率。
随着计算机视觉技术的不断发展，相信小目标检测技术也会不断取得新的突破和进展。
2023小目标检测算法
2023小目标检测算法随着人工智能技术的不断发展，计算机视觉技术也取得了长足的进步。
其中，目标检测是计算机视觉领域的一个重要研究方向。
目标检测的任务是在图像或视频中准确地定位和识别出感兴趣的目标物体。
2023年，小目标检测算法将成为目标检测领域的一个重要突破。
小目标通常指的是在图像中尺寸较小且目标物体细节不明显的情况下进行检测。
传统的目标检测算法在处理小目标时存在一些困难，例如目标定位不准确、误检率高等问题。
因此，研究人员们致力于开发更精确、高效的小目标检测算法。
2023小目标检测算法的核心思想是结合深度学习和传统计算机视觉技术，以提高小目标检测的准确性和效率。
首先，通过深度学习方法，算法能够自动学习图像特征，并建立起目标物体的特征表示。
这使得算法能够更好地识别出小目标，并准确地定位它们的位置。
2023小目标检测算法还利用传统计算机视觉技术中的一些经典方法来进一步优化检测结果。
例如，算法可以利用边缘检测、角点检测等方法来提取目标物体的边界信息，从而更准确地进行目标定位。
此外，算法还可以利用图像分割、形态学处理等方法来进一步消除误检和漏检的情况。
在实现过程中，2023小目标检测算法还充分考虑了计算效率的问题。
为了提高算法的实时性，研究人员们采用了一系列优化策略，如网络剪枝、模型压缩等。
这些方法可以有效地减少算法的计算量，提高算法在嵌入式设备和移动终端上的运行速度。
除了准确性和效率的提升，2023小目标检测算法还具备一些其他的特点。
首先，该算法在处理小目标时能够保持较低的误检率，从而提高了检测结果的可靠性。
其次，算法能够对目标物体进行多角度和多尺度的检测，适应不同场景下的需求。
此外，算法还具备一定的鲁棒性，能够在复杂背景和光照条件下进行有效的目标检测。
在实际应用中，2023小目标检测算法将有广泛的应用前景。
例如，该算法可以应用于无人驾驶领域，实现对交通标志、行人等小目标的快速识别和定位。
此外，该算法还可以应用于安防监控系统，提高对小目标的监测和报警能力。
改进动态规划算法在小目标检测中的应用
的连续性，分别计 算能量稳定概率和 方向稳定概率；采用信 息融合的思想计算 出状 态稳 定概率； 累积状 态稳定概 率最大的候选 累积点 的能量。实验结果表 明，算法较好 的解决 了 目标 能量 累积时的能量扩散 问题， 目标信噪比为
２５时 能量 扩散 区域 减 少 １ 倍 ；在 累积 ５帧 ， 目标 信 噪 比 小 于 ２５时 ，仍 能稳 定 地使 信 噪 比提 高 １ 倍 ；使 用 阈值 ． Ｏ ． ． ５ 分 离 目标 时虚 警点 个 数 平 均 减 少 １ 以 上 。 ０倍 关 键 词 ： 小 目标 检 测 ； 动 态规 划 ；状 态稳 定 ； 能 量 累积 中 图 分 类 号 ：Ｔ １． Ｎ９ １ ３ ７ 文 献 标 志码 ：Ａ
ｓａ ｉｚ ｔ ｎ ａｅｃ ｍｐ ｔｄｒｓ ｅｔ ｅｙ Ｐ ｏ ａ ｉ ｔ ｆｓ ｔ ｔｂｌ ａｉｎ ｉ ｃ ｍｐ ｔｄｗｉ ｆ ｒ ａｉｎｆｓｏ ｎ ｎ ｒ ｔｂｌ ａｉ ｒ ｏ ｕｅ ｅｐ ｃｉ ｌ． ｒｂ ｂｌ ｏ ｅｓａ ｉｚ ｔ ｏ ｕｅ ｔ ｉ ｏｍ ｔｏ ｕ ｉｎａ ｄｅ ｅｇ ｉ ｏ ｖ ｉ ｙ ａ ｔ ｉ ｏ ｓ ｈｎ ｙ ｏ ａ ｄｄ ｔ ｏｎ ｏ ｅ ｓａ ｉｚｔｏ ｒｂ ｂ ｌ ｓｍｏ ｔｉ ａ ｃ ｍｕａｅ ．Ｓｍｕａｉｎ ｒ ｓｌ ｈ ｗ ｈ ｔｔｅｐ ｏ ｏ ｅ ｆｃｎ ｉａｅｐ ｉｔｗｈ ｓ ｔｂｌ ａｉｎ ｐ ｏ ａ ｉｔ ｉ ｉ ｉ ｙ ｓ ｓ ｃｕ ｌｔｄ ｉ ｌｔ ｅ ｕｔ ｓ ｏ ｔａ ｈ ｒｐ ｓ ｄ ｏ ｓ
ｏ ｅｔｒｅｓａｄｔｅｃ ｎｉ ｉ ｆ ｈ ｖｍｅｔｔｊｃ ｒ ｓ ｐｏ ａｉｔ ｓｏ ｅｅｅｇ ｔ ｉｚｔ ｎ ａｄ ｄ ｅｔ ｎ ｆｔ ｇｔ ｎ ｈ ｏ ｔ ｕｔ ｏ ｅｍｏ ｅ ｎ ａｅｔｉ ， ｒｂ ｂｌｉ ｆｔ ｎｒ ｓ ｂｌａｉ ｎ ｉ ｃｉ ｈ ａ ｎ ｙ ｔ ｒ ｏｅ ｉｅ ｈ ｙ ａ ｉ ｏ ｒ ｏ
基于改进深度森林的小目标检测算法
目标检测 小目标
目标检测小目标目标检测是计算机视觉领域的一项重要任务，旨在从图像或视频中找出并标注出感兴趣的目标物体。
近年来，随着深度学习技术的迅速发展，目标检测取得了巨大的进展，许多高效且准确的目标检测算法被提出并广泛应用于各个领域，尤其是在小目标检测方面，取得了显著的改进。
小目标检测是指在图像中检测到尺寸较小的目标物体，这种目标通常面临尺寸较小、形状不规则、目标与背景相似等挑战。
为了解决这些问题，研究者们提出了许多针对小目标的目标检测算法，并取得了令人满意的成果。
一种常用的方法是基于深度学习的目标检测算法，如Faster R-CNN、YOLO、SSD等。
这些算法采用了一种两阶段或单阶段的检测策略，首先通过提取图像特征，然后利用分类器对感兴趣的目标进行分类与定位。
通过增加卷积网络的深度、使用多尺度的特征图或引入注意力机制等手段，这些算法在小目标检测方面取得了显著的效果提升。
此外，一些专注于小目标检测的算法也值得关注。
例如，基于图像金字塔的目标检测算法可以在不同尺度的特征图上进行检测，从而更好地适应小目标的检测需求。
还有一些特定任务的小目标检测方法，如舰船检测、飞机检测等，这些方法针对特定的小目标进行了优化，能够在特定场景中取得更好的性能。
此外，数据增强也是一种有效的提升小目标检测性能的方法。
通过对训练数据进行一系列增强操作，如旋转、缩放、裁剪等，可以增加训练数据的多样性，从而提高模型的泛化能力。
最后，评估指标的选择也对小目标检测的研究具有重要意义。
常用的目标检测评估指标如精确率、召回率、平均精确率均值（mAP）等，在小目标检测场景下可能存在一些不足，因此需要针对小目标进行自定义的评估指标，以更准确地评估算法性能。
综上所述，针对小目标的目标检测是计算机视觉领域的一个重要研究方向。
通过基于深度学习的算法、特定任务的优化、数据增强和合适的评估指标等手段，可以有效地提高小目标检测的准确性和鲁棒性，进一步拓展目标检测在实际应用中的应用范围。
一种基于改进的Faster R-CNN小目标检测方法[发明专利]
![一种基于改进的Faster R-CNN小目标检测方法[发明专利]](https://img.taocdn.com/s3/m/1323cd8464ce0508763231126edb6f1aff0071df.png)
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202011275521.X(22)申请日 2020.11.16(71)申请人 电子科技大学地址 611731 四川省成都市高新区（西区）西源大道2006号(72)发明人 贾海涛 莫超杰 李俊杰 许文波 任利 周焕来 齐晨阳 毛晨 (51)Int.Cl.G06T 7/00(2017.01)G06K 9/62(2006.01)G06N 3/04(2006.01)G06N 3/08(2006.01)(54)发明名称一种基于改进的Faster R-CNN小目标检测方法(57)摘要本发明公开了一种基于改进的Faster R ‑CNN的小目标识别技术。
该发明在小目标检测方向上具有一定的通用性，该专利以布匹缺陷检测为说明案例。
布匹缺陷中存在大量的小目标缺陷以及极端长宽比缺陷。
针对小目标问题，在Faster R ‑CNN中加入了特征金字塔融合的多尺度检测，多尺度检测算法对于小目标检测具有一定的通用性和可移植性；针对极端长宽比的问题，需要通过对实际布匹缺陷数据集的长宽比和面积进行初步统计，然后在算法框架中进行聚类，对Faster R ‑CNN锚框大小通过K ‑means++的方法进行重新设定。
基于改进后的Faster R ‑CNN算法模型能够精准的识别布匹缺陷，且对于小目标缺陷和极端长宽比缺陷也能够取得较好的识别效果。
权利要求书1页 说明书4页 附图7页CN 112465752 A 2021.03.09C N 112465752A1.一种基于改进的Faster R ‑CNN小目标检测算法，其特征在于，包括以下步骤：步骤1：特征提取主干网络采用VGG16 D，包括第一卷积层，第一下采样层，第二卷积层，第二下采样层，第三卷积层，第三下采样层，第四卷积层，第四下采样层，第五卷积层；步骤2：步骤1中第二至第四下采样层及第五卷积层产生的特征图都采用1×1的卷积进行通道数统一，统一后的特征图分别记为M2，M3，M4，M5；步骤3：该步骤为传统的FPN网络结构，采用自底向上的通路进行多尺度目标检测，使得底层的特征与富含位置信息的底层信息进行融合；M5经过3×3卷积消除融合带来的混叠效应，记为P5；M5经两倍上采样，与M4逐像素相加，再经过3×3卷积消除融合带来的混叠效应生成特征图，记为P4；M4经两倍上采样，与M3逐像素相加，经过3×3卷积消除融合带来的混叠效应生成特征图P3；M3经两倍上采样，与M2逐像素相加，经过3×3卷积消除融合带来的混叠效应生成特征图P2；步骤4：该步骤是该专利的核心内容，在步骤3中FPN的基础上，添加一条自底向上的通路，称为I ‑FPN网络，使得底层特征与富含语义信息的高层特征进行融合；P2作为最底层特征I2，进行2倍下采样后，与P3进行逐像素相加，得到特征图I3；I2经过4倍下采样后，跨层与P4进行逐像素相加，生成特征图I4；I3进行4倍下采样后，跨层与P5进行逐像素相加，生成I5；与步骤3一样，I2至I5经过3×3卷积消除混叠效应，生成最终特征图Q2至Q5；步骤5：将特征图Q2至Q5分别输入RPN网络，RPN网络的Anchor设置依据事先对数据集的聚类进定；将RPN网络输出的提议框映射成原图大小，框选出原图区域，输入至softmax分类和回归层，得出最后结果。
基于改进SUSAN原则的小目标检测算法
ｍａｌ ｚ 正 ＠ ｃ ｌ ｅ ｕ ｃ ｉ ： ｈ ¨ｇ ｕｔ ｄ ． ｎ ．
很微弱 ， 极易淹没在强噪声背景 中， 使得弱小 目标的
维普资讯
第３ ６卷 第 ６期
２０ ０ ６年 ６月
激 光 与 红 外
Ｉ Ｓ Ｒ ＆ Ｉ Ｆ Ａ Ｅ Ｎ ＲＡＲＥ Ｄ
Ｖｏ． ６。 ． １ ３ Ｎｏ ６
Ｊ ｎ ，０ ６ ｕ ｅ２０
文 章 编 号 ：０ １ ０ ８ ２ ０ ）６０ ０ － １０ － ７ （０ ６ ０ －５ ４０ ５ ４
能力 。
关键词 ：Ｕ Ａ Ｓ Ｓ Ｎ原则； 目 小 标检测 ； 自适应检测
中图分 类号 ： Ｐ ５ Ｔ７１ 文献 标识 码 ： Ａ
Ｄｅｅ ｔｏ ｇ ｒｔ ｍ ｆＳ ｌ Ｔａ ｇ ｔＢａ ｅ ｎ Ｉ ｒ ｖ ｄ Ｓ ＡＮ ｉｃｐ ｅ ｔｃｉ ｎ Ａｌ ｏ ｉ ｈ ｏ ｍａｌ ｒ ｅ ｓ ｄ ｏ ｍｐ ｏ ｅ ＵＳ Ｐｒｎ ｉｌ
１ 引 言
的边缘和角点 ， 而对 噪声不敏感 ， 变成 只检测小 目
标， 而对噪声和 角点都不 敏感 的方法 ， 从而使 Ｓ — Ｕ Ｓ Ｎ原则应用到红外小 目 的检测中 ， Ａ 标 取得 良好 的
检 测效 率 。
在红外预警系统中 ， 为了尽早发现 目 ， 标 使武器 系统有足够的反应时间， 要求在很远 的距离上探测 到 目 ， 标和探测系统的相对位置越远 ， 标对探 标 目 目 测 系统所成的张角越小 ， 在探测器上 的成像面积越 小（ 只有几个像素 的大小 ） ， … 另一方面成像 系统内
一种基于把目标视为点改进的目标检测方法[发明专利]
![一种基于把目标视为点改进的目标检测方法[发明专利]](https://img.taocdn.com/s3/m/90bee0c52af90242a995e59d.png)
专利名称：一种基于把目标视为点改进的目标检测方法专利类型：发明专利
发明人：杨新武,彭雪峰,斯迪文
申请号：CN202110092920.0
申请日：20210125
公开号：CN112801971A
公开日：
20210514
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于把目标视为点改进的目标检测方法，该方法直接将任意尺度多目标的图像作为网络的输入，使用损失函数计算训练的损失值，通过优化损失值，反向传播更新模型参数，训练网络模型直至该模型收敛。
在训练过程中选取预测的中心点热度图中的前N个点，计算对应包围框与真值包围框之间的相似度，来完成权重计算，赋予网络特征图对应的权重，告诉网络应该注意哪些点。
通过在公开的数据集PascalVOC2007和2012上进行测试，体现了该网络模型具有较强的目标检测能力，证明了本发明能在保证在提高网络精度的同时，缓解中心点发散，减少冗余检测框，不影响网络的推理速度，不花费额外的计算量的情况下完成检测任务。
申请人：北京工业大学
地址：100124 北京市朝阳区平乐园100号
国籍：CN
代理机构：北京思海天达知识产权代理有限公司
代理人：沈波
更多信息请下载全文后查看。
一种基于改进YOLOv5的小目标检测算法[发明专利]
![一种基于改进YOLOv5的小目标检测算法[发明专利]](https://img.taocdn.com/s3/m/428a51c0f80f76c66137ee06eff9aef8941e48c2.png)
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202111382559.1(22)申请日 2021.11.22(71)申请人 电子科技大学地址 611731 四川省成都市高新区（西区）西源大道2006号(72)发明人 郭磊 薛伟 王邱龙 马海钰 肖怒 马志伟 郭济 蒋煜祺 (51)Int.Cl.G06V 40/16(2022.01)G06N 3/04(2006.01)G06N 3/08(2006.01)(54)发明名称一种基于改进YOLOv5的小目标检测算法(57)摘要本发明公开了一种基于改进YOLOv5的小目标检测算法，所述方法包括：第一步，将采集到的待测人脸口罩数据集使用Mosaic ‑8数据增强，即采用8张图片随机裁剪、随机排列、随机缩放，然后组合成一张图片，同时合理引入一些随机噪声。
第二步，在YOLOv5特征融合网络中添加一个新尺度的特征提取层，并调整YOLOv5网络的目标框回归公式，改进损失函数。
第三步，将增强后的数据送入网络中进行迭代训练，并使用余弦退火算法对学习率进行调整。
第四步，训练完成后，将待检测图片送入至训练后得到的最佳模型中，检测目标类别及位置，最终得到识别结果。
将改进后的算法应用在密集人群情景下的防护面具佩戴检测中，实验结果表明，相较于原始YOLOv5算法，该算法在小目标检测上具有更强的特征提取能力和更高的检测精度。
权利要求书3页 说明书6页 附图4页CN 114241548 A 2022.03.25C N 114241548A1.一种基于改进YOLOv5的小目标检测算法，其特征在于，包括：步骤一，对所收集到的人脸口罩数据集进行数据标注，并使用Mosaic‑8数据增强方法对数据集进行数据增强。
步骤二，在YOLOv5特征融合网络中添加一个新尺度的特征提取层，并调整YOLOv5网络的目标框回归公式，改进损失函数。
基于深度学习的小目标检测算法研究进展
浙江理工大学学报,第49卷,第3期,2023年5月J o u r n a l o f Z h e j i a n g S c i -T e c h U n i v e r s i t yD O I :10.3969/j.i s s n .1673-3851(n ).2023.03.006收稿日期:2022-11-18 网络出版日期:2023-03-01基金项目:国家自然科学基金项目(61601410);浙江省科技厅重点研发计划项目(2021C 01047,2022C 01079);东北大学流程工业综合自动化国家重点实验室联合基金项目(2021-K F -21-03,2021-K F -21-06)作者简介:廖龙杰(1998- ),男,湖南衡阳人,硕士研究生,主要从事计算机视觉与模式识别方面的研究㊂通信作者:吕文涛,E -m a i l :a l v i n l w t @z s t u .e d u .c n基于深度学习的小目标检测算法研究进展廖龙杰1,吕文涛1,叶 冬2,郭 庆3,鲁 竞3,刘志伟1(1.浙江理工大学,a .信息科学与工程学院;b .浙江省智能织物与柔性互联重点实验室,杭州310018;2.浙江移动信息系统集成有限公司,杭州311217;3.浙江省技术创新服务中心,杭州310007) 摘 要:基于深度学习的小目标检测算法可以有效提高小目标检测性能和检测速率,在图像处理领域得到了广泛应用㊂首先概述了小目标检测的难点,分别对基于锚框优化㊁基于网络结构优化㊁基于特征增强的小目标检测算法进行了分析,总结了各算法的优缺点;然后介绍了用于小目标检测的公共数据集和小目标检测算法的评价指标,对检测算法的性能指标进行了分析;最后对小目标检测算法已经解决的难点进行了总结,并对有待后续研究方向进行了展望㊂深度学习在小目标检测领域仍有较大的发展空间,在模型通用性㊁耗时与精度和特定场景的小目标检测等方面有待深入研究㊂关键词:深度学习;神经网络;图像处理;目标检测;小目标检测中图分类号:T P 391.4文献标志码:A文章编号:1673-3851(2023)05-0331-13引文格式:廖龙杰,吕文涛,叶冬,等.基于深度学习的小目标检测算法研究进展[J ].浙江理工大学学报(自然科学),2023,49(3):331-343.R e f e r e n c e F o r m a t :L I A O L o n g j i e ,L ÜW e n t a o ,Y E D o n g ,e t a l .R e s e a r c h p r o g r e s s o f s m a l l t a r ge t d e t e c t i o n b a s e d o n d e e p l e a r n i n g [J ].J o u r n a l of Z h e j i a ng S c i -T e ch U ni v e r s i t y,2023,49(3):331-343.R e s e a r c h p r o g r e s s o f s m a l l t a r g e t d e t e c t i o n b a s e d o n d e e p l e a r n i n gL I A O L o n g j i e 1,L ÜW e n t a o 1,Y E D o n g 2,G U O Q i n g 3,L U J i n g 3,L I U Z h i w e i 1(1a .S c h o o l o f I n f o r m a t i o n S c i e n c e a n d E n g i n e e r i n g ;1b .K e y L a b o r a t o r y o f I n t e l l i ge n t T e x t i l e a n d F l e x i b l e I n t e r c o n n e c t i o n of Z h e j i a ng P r o v i n c e ,Zh e ji a n g S c i -T e c h U n i v e r s i t y ,H a n gz h o u 310018,C h i n a ;2.Z h e j i a n g M o b i l e I n f o r m a t i o n S y s t e m I n t e g r a t i o n C o .,L t d .,H a n gz h o u 311217,C h i n a ;3.Z h e j i a n g T e c h n o l o g y I n n o v a t i o n S e r v i c e C e n t e r ,H a n gz h o u 310007,C h i n a )A b s t r a c t :T h e s m a l l t a r g e t d e t e c t i o n a l g o r i t h m b a s e d o n d e e p l e a r n i n g c a n e f f e c t i v e l y i m pr o v e t h e d e t e c t i o n p e r f o r m a n c e a n d d e t e c t i o n r a t e o f s m a l l t a r g e t s ,a n d h a s b e e n w i d e l y u s e d i n t h e f i e l d o f i m a ge p r o c e s s i n g .F i r s t l y ,t h e d if f i c u l t i e s o f s m a l l t a rg e t d e t e c t i o n a r e s u m m a r i z e d ,a n d th e s m a l l t a r ge t d e t e c t i o n a l g o r i t h m s b a s e d o n a n c h o rf r a m e o p t i m i z a t i o n ,n e t w o r k s t r u c t u r e o pt i m i z a t i o n a n d f e a t u r e e n h a n c e m e n t a r e a n a l y z e d r e s p e c t i v e l y ,a n d t h e a d v a n t a g e s a n d d i s a d v a n t a g e s o f e a c h a l go r i t h m a r e s u m m a r i z e d .T h e n ,t h e c o m m o n d a t a s e t f o r s m a l l t a r g e t d e t e c t i o n a n d t h e e v a l u a t i o n i n d e x o f s m a l l t a r ge t d e t e c t i o n a l g o r i t h m a r e i n t r o d u c e d ,a n d t h e p e rf o r m a n c e i n d e x o f t h e d e t e c t i o n a lg o r i th mi s a n a l yz e d .F i n a l l y ,t h e d i f f i c u l t i e s t h a t h a v e b e e n s o l v e d b y t h e s m a l l t a r g e t d e t e c t i o n a l go r i t h m a r e s u m m a r i z e d ,a n d t h e f u t u r e r e s e a r c h d i r e c t i o n s a r e p r o s p e c t e d .D e e p l e a r n i n g s t i l l h a s a l a r g e d e v e l o p m e n t s pa c e i n t h e f i e l d o f s m a l l t a r g e t d e t e c t i o n ,a n d n e e d s t ob e f u r t h e r s t u d i e d i n t h e a s p ec t s o f m ode l u n i v e r s a l i t y,t i m e Copyright ©博看网. All Rights Reserved.c o n s u m i n g a nd p re c i s i o n,a n d s m a l l t a r g e t d e t e c t i o n i n s p e c if i c s c e n e s.K e y w o r d s:d e e p l e a r n i n g;n e u r a l n e t w o r k;i m a g e p r o c e s s i n g;o b j e c t d e t e c t i o n;s m a l l t a r g e t d e t e c t i o n0引言在图像处理中,小目标检测是一个非常重要的研究方向㊂小目标检测算法的发展过程可以大致分为两个阶段,即传统的小目标检测算法和基于深度学习的小目标检测算法[1]㊂传统的目标检测方法主要有3个步骤:选择候选目标区域㊁提取特征和利用分类器分类[2]㊂传统的目标检测算法有很多不足,如目标区域选择算法一般采用滑动窗口实现,针对性较差,时间复杂度较高,冗余窗口较多,并且鲁棒性也不强,检测的效率和准确性都很低㊂因此,传统的目标检测算法并不适用于小目标检测㊂然而,随着深度学习技术在图像处理中的应用,小目标检测技术已经取得了长足的进步㊂基于深度学习的小目标检测算法,通常在两阶段目标检测算法和单阶段目标检测算法的基础上改进㊂这两种算法可以根据是否需要生成候选区域进行划分[3]㊂两阶段目标检测算法首先将目标可能出现的区域(即候选区域)筛选出来,然后对候选区域中的目标进行分类和回归㊂目前两阶段目标检测算法的典型代表为R-C N N系列算法[4],如S p a r s e R-C N N[5]㊁D e F R C N[6]等㊂相较于两阶段目标检测算法,单阶段目标检测算法无需生成候选区域,直接计算物体的类别概率和位置坐标,经过一次检测即可得到最终的检测结果㊂现阶段较为常用的单阶段目标检测算法有Y O L O系列目标检测算法[7-9]和S S D 系列目标检测算法[10-13]㊂因为两阶段目标检测算法分为两步进行,通常效率较低,但检测效果较好;而单阶段目标检测算法只有一步操作,因此它较两阶段目标检测算法速度更快,但检测的精度略有下降㊂目前基于深度学习的目标检测算法在大㊁中型目标上已取得了较好的结果,但由于小目标在图像中面积占比小,难以获取有效的特征信息,检测性能并不理想[14]㊂目前,在M i c r o s o f t c o m m o n o b j e c t s i n c o n t e x t(以下简称 M S C O C O )等公共数据集[15]中,小目标检测算法的精度远不及大目标和中目标检测算法,并且经常出现漏检和误检㊂虽然小目标的检测十分困难,但是小目标大量存在于各个场景中,有着重要应用,这也让小目标检测成为图像处理领域的研究热点㊂本文检索了近几年来国内外典型的相关文献,对各类基于深度学习的小目标检测算法进行了综述㊂首先,概述了小目标检测算法的难点;其次,将基于深度学习的小目标检测算法分为基于锚框优化的小目标检测算法㊁基于网络结构优化的小目标检测算法㊁基于特征增强的小目标检测算法3类,分析了小目标检测算法的研究现状,并总结了各算法的优缺点;再次,介绍了用于小目标检测的公共数据集和小目标检测算法的评价指标,并对检测算法的性能指标进行了分析;最后,对小目标检测算法的研究进展进行了总结,并对未来研究进行了展望㊂1小目标检测算法的难点各类基于深度学习的目标检测算法在对于大目标检测时效果相对较好,而对于小目标的检测的效果相对较差,主要原因有如下几点㊂a)小目标的特征信息难以被充分提取㊂在图像中,小目标不像大㊁中目标占较大的面积,一般并不清晰,且不如大㊁中目标那样携带丰富的特征信息,因此小目标易受噪音干扰,检测模型无法精确定位小目标,且不易对目标类型进行分类[16]㊂b)小目标样本难以在数据集中平均分布㊂目前,公共数据集普遍存在一个问题,即大㊁中目标的数量远远多于小目标的数量㊂如M S C O C O数据集[15],小目标所占比例只有31.62%,且每幅图像的目标数量庞大,小目标分散于图像的各个位置㊂又比如T i n y P e r s o n数据集[17],每一幅图像中小目标数量差异较大,有的图像中小目标数量非常的多,超过100个,也有的图像中小目标数量非常的少,不足20个㊂这样目标不均匀分布的样本,在使用特定方法训练时难以提升模型的检测性能㊂同时,模型训练时更加关注大㊁中目标,小目标样本数量不均也加大了模型训练的困难程度㊂c)小目标检测模型的先验框难以设置㊂预先设定的先验框,通常都有固定的尺寸和比例,对于大㊁中目标的检测一般比较有效㊂但对于小目标,其尺寸较小且比例可能不像大㊁中目标那样易于预估,这样导致先验框几乎不能正确框选小目标,甚至有可能框选的大目标中包含了小目标,造成了正负样本不均衡,使模型训练变得困难[18]㊂d)小目标检测模型的损失函数难以设置㊂对于采用深度学习的目标检测算法来说,每轮训练完成233浙江理工大学学报(自然科学)2023年第49卷Copyright©博看网. All Rights Reserved.后需要计算损失并进行回归来优化参数的设置,而最初的损失函数是为大㊁中目标而设计的㊂损失函数由定位损失和类别损失组成,有些算法在这两种损失的基础上额外增加了交并比损失㊂在进行回归优化时,有些损失忽略了小目标样本的特殊性,使得部分检测模型的效果较差㊂e)小目标检测模型的正负样本难以匹配㊂现阶段,正负样本的划分是按照检测器生成的边界框与真实框之间的交并比决定的㊂通常交并比大于50%所对应的锚框中的目标判定为正样本,其余为负样本[7]㊂但是,一般小目标在图像中所占的面积较小,有时交并比很难达到50%,小目标匹配的情况不如大㊁中目标那么理想,存在包含很多小目标的正样本遗漏的情况㊂f)小目标检测模型难以通用㊂现阶段,小目标的数据集通常是某一类物体,例如织物瑕疵数据集,小目标样本全都是织物瑕疵,T i n y P e r s o n数据集的小目标样本都是一些小型人物目标㊂这样造成训练出来的模型只能专门检测某一类物体,模型的通用性会非常差㊂2基于锚框优化的小目标检测算法在目标检测中,锚框(A n c h o r b o x)是以图像的每个像素点为中心生成的多个大小和宽高比不同的边界框㊂目前绝大多数基于深度学习的目标检测算法都是基于锚框机制(A n c h o r b a s e d)设计的㊂但基于锚框机制的目标检测算法主要用来检测大目标或者中目标,对于小目标的检测效果不好,因此有不少研究人员对基于锚框机制的小目标检测算法进行研究,且近几年基于无锚框机制(A n c h o r f r e e)的小目标检测也是研究的热点㊂2.1锚框机制锚框机制最早出现于两阶段目标检测算法F a s t e r R-C N N[4]中的R e g i o n p r o p o s a l n e t w o r k (R P N),R P N使用特征提取的形式生成预选框的位置,从而降低了S e l e c t i v e s e a r c h算法带来的计算时间上的开销㊂而在单阶段目标检测算法如Y O L O V3中,锚框是通过使用K-m e a n s聚类算法从真实框中得到一些不同宽高比的框㊂现阶段大部分目标检测算法都是使用锚框机制来选择候选区域,显著提升小目标检测效果的方法之一就是改善锚框的设置机制㊂Y a n g等[19]针对预先设定锚框的尺寸比例过于死板的问题,提出了M e t a A n c h o r,这是一种动态锚框生成机制,M e t a A n c h o r可以自定义任意的锚框,并从中选择合适的动态生成㊂Z h a n g等[20]提出了单镜头尺度不变人脸检测器,对不同尺度的人脸采用不同尺度的锚框,并通过尺度补偿锚框匹配机制提高小人脸的召回率,显著提高了锚框对于小目标匹配的成功率㊂W a n g等[21]提出一种称为引导锚框的锚框生成机制,其中锚框的选定借助上下文信息引导实现,同时该机制还推算出目标中心点可能出现的坐标和不同坐标处的尺度和长宽比,并通过自适应的方法来解决锚框形状特征不相符的问题㊂以上几种方法都采用动态的方法来产生锚框,这些方法能有效解决锚框预先设定后无法改动的问题,能有效提高基于锚框机制的小目标检测算法的性能㊂此外,由于小目标一般数量规模较大且密集,锚框在该问题上表现的效果非常差,以下几种方法是较为有效的改进方法㊂Z h a n g等[22]提出了一种关于锚框密度的策略,让在同一幅图像上不同类型的锚框具有相同的密度,从而大幅提高了小人脸的召回率㊂Z h u等[23]提出了一种锚框设计方案,引入了新的预期最大重叠分数,该分数可以从理论上解释锚框与小目标人脸低重叠问题,使基于锚框的小目标人脸检测获得更好的性能㊂W a n g等[24]提出了一种称为S F a c e的算法,有效整合了基于锚框和不基于锚框的方法,以解决高分辨率图像和视频中广泛存在的尺度变化较大的问题,该算法能有效提高具有超大尺度变化的人脸检测算法的性能㊂2.2无锚框机制锚框在目标检测中起到了重要的作用,目前大部分的目标检测算法都是基于锚框设计的,但是该类算法也有不足之处㊂第一,锚框通常需要预先设定大小和比例,这对于检测小目标不利㊂相较于大目标,小目标不易被锚框框选,这会造成正负样本不均衡,使模型难以针对小目标进行训练㊂第二,锚框引入超参数过多,如锚框数量㊁大小㊁长宽比等,提高了算法设计难度㊂因此,最近几年来目标检测领域逐渐将研究的主要方向转移到无锚框机制上,在小目标检测应用上显著提升了检测效果㊂无锚框机制的一种研究思路是将原先用锚框来框选目标的操作改成根据关键点来定位目标㊂根据关键点的目标检测主要包含两种:一种是根据角点来定位,另一种是根据中心点来定位㊂D e N e t通过估计4个角点来替代锚框定位,这4个角点分别为左上㊁右上㊁左下㊁右下角点,具体流程为:a)让模型训练带有标签的数据集;b)用训练好的模型预测角点的位置分布;c)将4个角点所包围的区域定为候333第3期廖龙杰等:基于深度学习的小目标检测算法研究进展Copyright©博看网. All Rights Reserved.选区域[25]㊂L a w等[26]提出了一种根据角点来定位目标的网络模型C o r n e r N e t,C o r n e r N e t通过两个点来定位:左上和右下角点,具体流程为:首先将所有目标的左上和右下角点的位置预测出来,并在每两个角点中嵌入距离向量,通过判断距离向量,让属于同一个目标的两个角点两两配对,然后利用这两个角点生成目标的边界框㊂C o r n e r N e t有效地解决了锚框预先固定尺寸和高宽比对小目标检测带来的困难,但C o r n e r N e t也有明显的缺点㊂C o r n e r N e t在生成目标边界框时,有时不能准确框选目标的边界,有的边界框虽然框选了目标,但存在边界框远远大于目标的情况;此外还会框选错误的目标,出现了很多冗余和错误的目标框㊂针对这个问题,D u a n等[27]提出了一种借助中心点提高判别能力的检测框架C e n t e r N e t㊂C e n t e r N e t使用3个关键点,即左上角点㊁中心点㊁右下角点,这让网络能通过中心点来加强网络对物体的辨别能力,能有效减少冗余和错误的目标框㊂全卷积神经网络(F u l l y c o n v o l u t i o n a l n e t w o r k s, F C N)通过对图像每个像素点都进行分类,解决了很多语义分割的问题,特别是对于密集型的预测任务, F C N的完成情况相对较好㊂受到F C N的启发, T i a n等[28]在目标检测框架上运用语义分割的方法,提出了一种基于全卷积的单阶段目标检测框架(F u l l y c o n v o l u t i o n a l o n e-s t a g e o b j e c t d e t e c t i o n, F C O S),解决了由锚框过多带来的超参数计算困难的问题;同时,该研究表明将F C O S应用于两阶段检测模型的第一阶段,也能显著提高检测效率㊂3基于网络结构优化的小目标检测算法用于小目标检测算法的一般网络模型的结构由骨干网络(B a c k b o n e)㊁特征融合与特征增强(N e c k)和检测头(H e a d)3部分组成㊂优化B a c k b o n e和N e c k可显著提升小目标检测性能,此外在模型上加入注意力机制也能起到较好的效果㊂下面将从这几个角度介绍相关研究进展㊂3.1B a c k b o n e优化目标检测模型通常使用骨干网络进行特征提取操作,典型的骨干网络有A l e x N e t㊁V G G N e t㊁R e s N e t㊁G o o g L e N e t等[29]㊂由于特征提取网络通过多层卷积层进行下采样来提取特征,在这过程中目标特别是小目标的特征容易丢失,众多研究人员提出了引入C S P模块和残差模块等改进方案㊂Y O L O V3模型采用D a r k N e t-53作为骨干网络㊂B o c h k o v s k i y等[30]受到C r o s s s t a g e p a r t i a l n e t w o r k(C S P N e t)思想的启发,在Y O L O V3的基础上提出Y O L O V4模型,该模型构造C S P D a r k N e t-53作为骨干网络进行特征提取操作,在减少了计算量的同时可以保证准确率㊂崔文靓等[31]针对Y O L O V3算法检测公路车道线准确率低和漏检率高的问题,提出了一种基于改进Y O L O V3网络结构的公路车道线检测方法,该方法去掉了3个Y O L O层前的两组卷积层,降低了车道线小目标在复杂背景下漏检的概率㊂P a n等[32]对Y O L O-T i n y的骨干网络进行改进,将D e n s e N e t作为骨干网络㊂D e n s e N e t可以将本层特征层的输出作为下一层的输入,使每一层特征信息的利用率上升,消除了部分冗余参数,提升了网络训练的效率㊂F u等[11]提出反卷积单步检测模型(D e c o n v o l u t i o n a l s i n g l e s h o t d e t e c t o r,D S S D),该模型在S S D的基础上将骨干网络由V G G更换为R e s N e t-101,并在此基础上增加了反卷积和预测模块,让模型增强了识别和分辨小目标的能力㊂由此可见,通过引入C S P模块和残差模块,可以有效提高模型的性能,其主要思想都是降低卷积操作对小目标的影响㊂此外,关于D e n s e N e t和D S S D,第一个模型是建立特征通道使前面的特征能传递到后面,第二个模型是采用反卷积模块,两个模型都是通过提高特征的利用率来提升小目标的检测性能㊂3.2N e c k优化在骨干网络提取特征时,分布在浅层的特征因下采样次数少,特征信息损失较少,具有较高的分辨率和大量位置特征信息,但语义特征信息不足;深层特征经过多层下采样,特征损失较多,分辨率也下降较多,但是语义特征信息得到了增强㊂引入特征融合和特征增强(N e c k),可将浅层特征和深层特征结合,也是一种提高小目标检测性能的方式㊂遥感图像目标通常会遇到目标间尺度差距较大和种类间近似度较高的问题,多尺度特征融合是一种解决该问题的方法,但目前基本上都采用不变的权重系数来融合不同尺度的特征,忽略了目标尺度对特征融合的影响㊂针对该问题,谢星星等[33]提出了一种动态特征融合网络,通过引入特征门控和动态融合模块实现了多尺度特征的动态融合,其中特征门控模块在特征融合前针对性地对部分特征进行了加强或者削弱,减少了背景信息对之后融合的影响,动态融合模块可以根据目标的尺度动态调整融合的权重,该网络在大规模遥感目标检测数据集上验证了其有效性㊂433浙江理工大学学报(自然科学)2023年第49卷Copyright©博看网. All Rights Reserved.针对之前用来特征融合的F e a t u r e p y r a m i d n e t w o r k s(F P N)层都是由手工设计的,G h i a s i等[34]提出了特征金字塔网络N A S-F P N,该网络主要由自下而上和自上而下的连接组成,可以跨范围地融合特征,优化了小目标的特征融合㊂3.3注意力机制优化除了改进B a c k b o n e和N e c k之外,在网络模型中加入注意力机制也是一种改进方式㊂添加注意力机制后,网络模型能重点关注候选区域的局部特征,提高了模型的检测效率㊂对于小目标检测来说,引入注意力机制可以使网络更加关注小目标所在的位置,增强了小目标的特征表达能力㊂L i m等[35]提出一种上下文注意力机制,该机制可以聚焦于图像中的目标,并且还可以聚焦来自目标层的上下文信息,能有效降低浅层环境噪声的影响,能使检测器聚焦于小目标㊂H u等[36]提出了S q u e e z e-a n d-e x c i t a t i o n n e t w o r k s(S E N e t),该网络对通道维度上的特征进行信息权重分配,对重要程度不同的信息分配不同的权重,以此在特征通道上加入注意力机制㊂W a n g等[37]认为S E N e t对通道注意力机制的预测带来了副作用,捕获所有通道的依赖关系是低效并且是不必要的,认为卷积具有良好的跨通道信息获取能力,并提出了E C A-N e t;该网络将S E模块中的全连接层去除,直接在全局平均池化之后的特征上通过一个1D卷积进行学习㊂S h e n等[38]提出了一种群体多尺度注意力金字塔网络(G r o u p m u l t i-s c a l e a t t e n t i o n p y r a m i d n e t w o r k, G M S A P N),通过引入一个多尺度注意力模块,聚集了不同尺度的特征,并且抑制了背景中的杂乱信息㊂L i等[39]提出了一种跨层注意力网络,该网络设计了一个跨层注意力模块,获得了每个层中小目标的非局部关联,并通过跨层集成和平衡进一步增强小目标的特征表达能力㊂4基于特征增强的小目标检测算法由于小目标的特征信息较为缺乏,在检测过程经常会受到抑制,而增强特征能有效提高小目标检测性能㊂本文总结并分析了以下几种特征增强的算法,分别为基于生成对抗网络的小目标检测算法㊁基于数据增强的小目标检测算法㊁基于多尺度学习的小目标检测算法㊁基于上下文学习的小目标检测算法和基于其他优化模型的小目标检测算法㊂4.1生成对抗网络G o o d f e l l o w等[40]于2014年提出了生成对抗网络(G e n e r a t i v e a d v e r s a r i a l n e t w o r k,G A N)㊂该网络是由生成器网络和鉴别器网络这两个相互对抗的子网络构成,在两者竞争对抗的过程中,将各自的参数进行交替学习和更新㊂在小目标检测中,一般把分辨率较低的小目标通过G A N转换成对应的分辨率高的特征,让小目标与其他较大目标的特征差异缩小,使小目标的特征信息表达得更清晰,从而提高小目标检测效果㊂L i等[41]提出了一种新的生成对抗网络模型,该模型通过生成对抗学习,将感知到的低分辨率小目标转换为超分辨率表示,缩小小目标与大目标的表示差异,以改进小目标检测算法㊂B a i等[42]提出了多任务生成对抗网络(M u l t i-t a s k g e n e r a t i v e a d v e r s a r i a l n e t w o r k,M T G A N),它将生成器网络提升到超分辨率,该超分辨率网络可以通过上采样将不清晰的小目标采样到清晰的图像中,让不清晰的小目标还原为清晰的状态,从而提供更多特征信息来获得更精确的检测结果㊂N o h等[43]提出一种特征超分辨率方法,该方法在检测时通过对抗生成网络将普通特征转化为超分辨率的特征,在对抗生成网络转化小目标时,会充分利用上下文信息,扩大了感受野㊂基于生成对抗网络的超分辨率图像增强模型具有较好的图像增强性能,但在重构图像时常常丢失边缘信息,尤其是遥感小目标㊂由此,R a b b i等[44]提出了端到端的增强型超分辨率生成对抗网络(E n d-t o-e n d e n h a n c e d s u p e r-r e s o l u t i o n g e n e r a t i v e a d v e r s a r i a l n e t w o r k,E E S R G A N),该网络借鉴了E E G A N和E S R G A N,以端到端的方式运用不同的检测网络,并将得到的损失反馈回去,提高了小目标尤其是遥感目标的检测性能㊂Z h a o等[45]针对红外小目标的基本特征,提出了一种基于生成对抗网络的目标检测模型,该模型根据红外小目标其独特的分布特征,添加了对抗性损失以提高定位能力,构建了一个生成对抗网络模型来自动学习目标的特征并直接预测目标的类别概率㊂4.2数据增强数据增强一般用于训练集,指的是让原本少量有限的数据通过某种方法变得更多,扩充可训练的样本量,并且通过增加类别不同的样本使其多样性得以提升,从而减少模型对参数的依赖,可以防止模型过拟合㊂数据增强的方法一般有:将数据上下左右各种方向平移,将数据旋转不同角度,变换颜色㊁调整亮度㊁调整饱和度和色调等㊂对于小目标像素低㊁特征信息不足㊁样本数量少等困难,数据增强方533第3期廖龙杰等:基于深度学习的小目标检测算法研究进展Copyright©博看网. All Rights Reserved.法也可提高小目标检测算法的性能㊂K i s a n t a l等[46]提出了一种复制增强的方法,这个方法将小目标复制出很多个副本,增加小目标的数量,让训练集有更多的小目标样本,解决了小目标在图像中面积占比低㊁在图像中分布不合理等问题,有效提升了小目标的检测效果㊂针对复制时有可能发生的背景和尺度无法配对的情况,C h e n等[47]提出了一种称为R R N e t的混合检测器,引入了重采样策略,在逻辑上进行数据增强;该策略是自适应的,能够根据当前语义环境在复制数据时将数据的周围环境信息也考虑进去,表现出较好的数据增强效果㊂在一般情况下,网络的预训练数据集和检测器学习的数据集在尺度上要相适配,如果出现不匹配情况,可能会对特征表示和检测器造成负面影响㊂针对这个问题,Y u等[17]提出了一种尺度匹配方法,使两个数据集之间的目标尺度相适配㊂该方法按照目标大小进行相应的裁剪,使目标之间的尺度差异尽可能地减少,让小目标在缩放操作时的特征丢失大幅减少㊂C h e n等[48]引入了一种由反馈驱动的数据提供器S t i t c h e r,用平衡的方式训练目标检测器㊂在训练过程中,S t i t c h e r对数据进行压缩和拼接,将数据集中的目标尺度缩小一个量级,解决了小目标在数据集中占比不平衡导致的问题,提高了小目标检测性能㊂此外,强化学习也可以应用于数据增强,如Z o p h等[49]提出了一种数据增强方法,该方法通过强化学习将最合适的数据选出来,让模型选择最优的数据进行训练,提高了小目标检测性能㊂4.3多尺度学习目标检测网络的最后一层通常都是对前面获得的特征信息进行回归和预测,但随着网络的深入,一些较小的目标信息在经过大量的下采样后逐渐损失,不容易被网络识别出㊂小目标在浅层网络有较多的坐标信息,在深层网络中有较多上下文信息,兼顾这两种信息才能更好地检测小目标,而多尺度学习在一定程度上可以完成这一任务㊂L i u等[10]提出了单步多框目标检测算法(S i n g l e s h o t m u l t i b o x d e t e c t o r,S S D),该算法对不同尺度的特征图进行分层检测,浅层的特征图感受野小,适合检测小目标,深层特征图感受野大,适合检测大目标㊂B e l l等[50]提出了I n s i d e-o u t s i d e n e t(I O N),该网络首先收集了待检测目标可能出现区域的浅层到深层的不同尺度的特征图,并在其中提取出所需的特征,将这些不同尺度的特征信息相结合,消除了背景环境对小目标检测造成的影响㊂以上两种多尺度学习方法通过对不同层次采取不同的操作进行特征提取,此外还可以采用不同尺度特征融合的方法㊂Z e n g等[51]提出了一种增强多尺度特征的融合方法,即空洞空间金字塔池平衡特征金字塔网络(A t r o u s s p a t i a l p y r a m i d p o o l i n g-b a l a n c e d-f e a t u r e p y r a m i d n e t w o r k,A B F P N),该网络采用具有不同膨胀率的空洞卷积算子来充分利用上下文信息,应用跳跃连接来实现特征的充分融合㊂L i n等[52]提出了特征金字塔网络(F e a t u r e p y r a m i d n e t w o r k s,F P N),该网络在特征提取网络之后,将特征提取获得的最后一层特征层经过上采样后与相邻的同尺寸的特征层进行融合,可以在不浪费较多计算资源的情况下获得更好的特征增强效果㊂H a n 等[53]提出了多尺度残差块(M u l t i s c a l e r e s i d u a l b l o c k,M R B),通过在级联残差块中使用扩张卷积来捕获多尺度上下文信息,从而提高卷积神经网络的特征表示能力㊂C a o等[54]提出了F e a t u r e-f u s e d S S D,该算法在S S D上改进,特征融合时增加了上下文信息,减少了小目标检测的计算时间㊂L i等[13]提出了特征融合单阶段多框检测器(F e a t u r e f u s i o n s i n g l e s h o t m u l t i-b o x d e t e c t o r,F S S D),该算法在特征融合阶段选择小型模块,先将不同尺度的特征提取出来,然后将它们融合到一个较大尺度的特征图中,之后在这个大尺度的特征图上建立F P N,解决了在不同特征层上提取的特征尺度不同导致融合困难的问题㊂除了将不同尺度特征融合的方法外,提升特征图尺度和增强图像分辨率也是有效的方法㊂N a y a n 等[55]提出了一种目标检测算法,在特征融合阶段,将特征图向上采样,使特征图尺度增大,并使用跳跃连接,可以获得不同尺度下的多种特征,在对小目标检测上取得了不错的提升㊂L i u等[56]提出了一种高分辨率检测网络(H i g h-r e s o l u t i o n d e t e c t i o n n e t w o r k, H R D N e t),通过将高分辨率图像输入浅层网络,以保留更多位置信息并降低计算成本,将低分辨率图像输入深层网络以提取更多语义信息,不仅能节约计算成本还能增强检测效果㊂D e n g等[57]提出了扩展特征金字塔网络(E x t e n d e d f e a t u r e p y r a m i d n e t w o r k, E F P N),E F P N的特征金字塔具有超高分辨率,适合检测小目标,能够有效解决特征金字塔中不同尺度的特征耦合影响小目标检测性能的不足㊂4.4上下文学习由于小目标分辨率较低,特征信息较少,小目标检测较易受周围背景环境信息影响,因此将小目标633浙江理工大学学报(自然科学)2023年第49卷Copyright©博看网. All Rights Reserved.。
一种基于SSD改进的小目标检测算法
电子技术与软件工程Electronic Technology&Software Engineering计算机与多媒体技术Computer And Multimedia Technology一种基于SSD改进的小目标检测算法贾小云曾奇(陕西科技大学电子信息与人工智能学院陕西省西安市710021)摘要：本文为了提高其检测的准确性和模型的稳定性，对原始算法SSD进行了研究，在此基础上提出了两处改进.一是改进了SSD 旳匹配策略，使得不同尺寸的物体都能匹配到相同数量的高质量正样本，从而改善训练过程"二是将预测背景的任务从原方法的多分类器中分离出来，从而避免了因背景类别的特殊性造成餉样本数量不均衡问题，使得模型的预测精度得到提升.经过两处改进后，实验结果表明特别是在小目标的检测方面，相比原方法在Pascal V0C2007和2012数据集上的精度得到了显著6勺提高.可见改进之后的方法在提高其准确率和稳定性方面具有显著的效果.关键词：目标检测；SSD;样本匹配；分类器；残差连接目标检测是计算机视觉方向的研究热点⑴之一，在视频监控，违法车辆检测，智能车牌识别，行人识别检测等各领域⑷起着决定性作用。
与此同时，目标检测技术也是一项十分具有挑战性的任务[3,0目标检测算法分为传统目标检测算法和深度学习目标检测算法两类，传统的目标检测算法包括可变形部件模型141和滑动窗口模型⑸，这两种方法采用提取到的特征和一些分类器进行结合，利用尺度不变特征(Scale Invariant Feature Transform,SIFT)⑹,方向梯度直方图(Histogram of Oriented Gradient*HOG)⑺，Haar1勺等人匸设计的特征结合SVM,Adaboost等一些分类器，对数据的特征进行识别分类，得到检测结果。
除此之外，还有根据数据特征进行模型建立，最后对模型进一步训练优化，得到检测结果。
基于改进DPA 的空间小目标检测算法
３ 用于空间小目标检测的改进 Ｄ Ｐ Ａ
第３ 期 年３ 月 ２ ０ １ ０
电 子 学 报 Ａ Ｃ Ｔ ＡＥ Ｌ Ｅ Ｃ Ｔ Ｒ Ｏ Ｎ Ｉ Ｃ ＡＳ Ｉ Ｎ Ｉ Ｃ Ａ
Ｖ ｏ ｌ ． ３ ８ Ｎ ｏ ． ３ Ｍ ａ ｒ ．２ ０ １ ０
基于改进 Ｄ Ｐ Ａ的空间小目标检测算法
张玉叶１ ， 王春歆２
（ 海军航空工程学院青岛分院， 山东青岛 ２ ；２ 海军北海舰队指挥所， 山东青岛 ２ ） １ ． ６ ６ ０ ０ ０ ． ６ ６ ０ ０ ０
以往研究都是以单点进行能量累积， 对散焦目标检 测效率低， 而且都没有考虑到中途入场目标的问题， 在 处理实际拍摄的图像时性能较差 ． 针对这种情况， 本文 的方法应用于空间小目标图像检测， 从递归 将Ｔ ｏ ｎ ｉ ｓ ｓ ｅ ｎ 方程、 速度更新和入场目标处理三个方面进行了改进， 用实摄图像对比实验证明改进的有效性 ．
１ 引言
动态规划法（ ， ） 是 Ｄ ｙ ｎ ａ ｍ ｉ ｃ Ｐ ｒ ｏ ｇ ｒ ａ ｍ ｍ ｉ ｎ ｇ Ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ Ｄ Ｐ Ａ ［ ， ］ １ ２ 年Ｂ 提出的一种实用而有效的方 法， 它 １ ９ ８ ５ Ａ Ｒ Ｎ Ｉ Ｖ 通过分段最优化过程完成序列图像轨迹的穷举搜索， 以 ［ ］ ３ 年Ｊ 实现慢速运动弱小目标的检测 ． １ ９ ９ ３ ａ ｍ ｅ ｓ 对其改 ［ ］ ４ 进， 增加了非目标假设的约束； 年Ｔ 又进行 １ ９ ９ ６ ｏ ｎ ｉ ｓ ｓ ｅ ｎ 简化， 省去了递归过程中复杂的转移函数和似然函数计 ［ ， ］ ５ ６ 年Ｊ 利用极值理论分析了 Ｔ 的 算； ２ ０ ０ ０ ｏ ｈ ｎ ｓ ｔ ｏ ｎ ｏ ｎ ｉ ｓ ｓ ｅ ｎ ［ ］ ７ １ ２ 方法的性能 ． 国内对 Ｄ ， 主要是 Ｐ Ａ的研究也有很多 通过对递归方程的改进来提高算法性能， 例如文献［ ， ７ ， ， ］ 以Ｔ 的方法为基础， 在递归方程中增加 ８ １ ０ １ １ ｏ ｎ ｉ ｓ ｓ ｅ ｎ 文献［ ］ 提出用 了方向系数来减小计算量和虚警点数 ． ９ 似然差代替 Ｊ 方法的似然比， 相邻帧量测权值差作 ａ ｍ ｅ ｓ 为转移函数 ． 文献［ ］ 将多个目标量测和作为评价函数 １ ２ 增量， 形成目标轨迹组的递归 ．
基于改进DPA的空间小目标检测算法
基于改进DPA的空间小目标检测算法
张玉叶;王春歆
【期刊名称】《电子学报》
【年(卷),期】2010(038)003
【摘要】针对以往动态规划算法(Dynamic programming Algorithm,DPA)单点能量累积效率低、不能有效检测中途入场目标的问题,从三方面对DPA改进并应用于空间小目标检测.第一,对递归方程进行修改,利用多点累积方法克服工程应用中人为增加光学散焦导致目标信息丢失的问题;第二,将各个速度平面分别计算修改为速度更新,减少计算量;第三,增加对入场目标的特殊处理,克服不能有效检测中途入场目标的问题.利用实摄序列图像对比实验,证明改进的有效性.
【总页数】5页(P556-560)
【作者】张玉叶;王春歆
【作者单位】海军航空工程学院青岛分院,山东青岛,266000;海军北海舰队指挥所,山东青岛,266000
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于动态规划的空间小目标检测算法 [J], 王春歆;张玉叶;王学伟;奚晓梁
2.一种基于空间滤波的红外小目标检测算法及其应用 [J], 罗军辉;姬红兵;刘靳
3.基于高斯尺度空间特征的红外小目标检测算法 [J], 李宇鹏; 周珩; 张喜涛
4.基于改进密集网络与二次回归的小目标检测算法 [J], 奚琦;张正道;彭力
5.基于改进SSD算法的小目标检测与应用 [J], 刘洋;战荫伟
因版权原因，仅展示原文概要，查看原文内容请购买。
一种改进的DPCA运动目标检测方法
图2
通道失配与 SCR 损失
图3
目标距离向速度与 SCR 损失
经过上述分析可见， 采用 DPCA 方法检测动目标时， 检测 结果对通道失配比较敏感， 应该尽量避免通道失配， 以获得较 好的检测效果 . SCR 损失还受到目标距离向速度的影响， 距离 向速度不同， SCR 损失程度也不同 .
3
三孔径 SAR 动目标检测
An lmproved DPCA Moving Targets Detecting Algorithm
ZHENG Ming-jie， YANG Ru-liang
（ Institute of Electronics ， Chinese Academy of Sciences ， Beijing 100080， China ）
SAR 几何结构
的关系 . 假设目标距离向速度 Ur = 1 . 2m / S， 波长 # = 0.03m， ! 时， 图 画出了 损失与通道失配的关系 由图 = 0.0025S 2 SCR . 2 可见， 当两路信号没有失配， 即 A = 1， SCR 损失为 0 . $ = 0 时， 随着失配程度增加， 当 A > 1.15， SCR 急剧下降， SCR $ > 7 时， 损失已经超过了 30dB， 此时很难检测到目标了 . 目标距离向速度不同， SCR 损失也不相同 . 假定 A = 1.1， 在上述假定的系统参数下， SCR 损失与目标距离向 $ = 5 时， 速度的关系 见 图 3 . 由 图 3 可 见 当 距 离 向 速 度 为 1 3m / S 时 此时最容易检测到目标， 随着目标速度向两端 SCR 损失最小， 靠近， 越不容易检测到目标 . SCR 损失增加，
从前面的分析可见， 使用两个孔径虽然方法简单并且能
一种改进的基于深度学习的小目标检测方法
一种改进的基于深度学习的小目标检测方法
魏希来;孙海江;刘培勋;孙兴龙
【期刊名称】《机电工程技术》
【年(卷),期】2024(53)4
【摘要】提出了一种改进的基于深度学习的小目标检测方法,用于解决当前主流算法针对小目标进行检测时输入图像需为小尺寸照片且模型参数过多等缺点的问题。
为了解决这些问题,首先对图像进行预处理,将一张较大尺寸的图像按一定规则拆分成多张小尺寸图像后送入网络,克服了以往算法需要小尺寸图像才能进行检测的问题。
对DNANet网络结构进行改进,减少其网络层数,提高了网络推断速度。
使用TverskyLoss为像素分割的损失函数对损失函数进行优化,并采用渐进式学习法训练模型,使网络从普通目标到小目标的检测过程更为稳定。
实验结果表明,该方法有效提升了深度学习在小目标大尺寸图像方面的收敛速度,改进后的网络对大尺寸图像的预测准确率提升了5%,预测时间缩短了25%。
综上所述,提出的基于深度学习的小目标检测方法,可以方便地应用于工程实践中,并具有较高的实际应用价值。
【总页数】5页(P125-128)
【作者】魏希来;孙海江;刘培勋;孙兴龙
【作者单位】中国科学院长春光学精密机械与物理研究所
【正文语种】中文
【中图分类】TP391.4;TP18
【相关文献】
1.一种基于深度学习的新型小目标检测方法
2.一种基于注意力机制的小目标检测深度学习模型
3.一种基于改进YOLO v3的小目标检测方法
4.基于深度学习的小目标检测方法
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
３ 用于空间小目标检测的 ） 是 Ｄ ｙ ｎ ａ ｍ ｉ ｃ Ｐ ｒ ｏ ｇ ｒ ａ ｍ ｍ ｉ ｎ ｇ Ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ Ｄ Ｐ Ａ ［ ， ］ １ ２ 年Ｂ 提出的一种实用而有效的方 法， 它 １ ９ ８ ５ Ａ Ｒ Ｎ Ｉ Ｖ 通过分段最优化过程完成序列图像轨迹的穷举搜索， 以 ［ ］ ３ 年Ｊ 实现慢速运动弱小目标的检测 ． １ ９ ９ ３ ａ ｍ ｅ ｓ 对其改 ［ ］ ４ 进， 增加了非目标假设的约束； 年Ｔ 又进行 １ ９ ９ ６ ｏ ｎ ｉ ｓ ｓ ｅ ｎ 简化， 省去了递归过程中复杂的转移函数和似然函数计 ［ ， ］ ５ ６ 年Ｊ 利用极值理论分析了 Ｔ 的 算； ２ ０ ０ ０ ｏ ｈ ｎ ｓ ｔ ｏ ｎ ｏ ｎ ｉ ｓ ｓ ｅ ｎ ［ ］ ７ １ ２ 方法的性能 ． 国内对 Ｄ ， 主要是 Ｐ Ａ的研究也有很多 通过对递归方程的改进来提高算法性能， 例如文献［ ， ７ ， ， ］ 以Ｔ 的方法为基础， 在递归方程中增加 ８ １ ０ １ １ ｏ ｎ ｉ ｓ ｓ ｅ ｎ 文献［ ］ 提出用 了方向系数来减小计算量和虚警点数 ． ９ 似然差代替 Ｊ 方法的似然比， 相邻帧量测权值差作 ａ ｍ ｅ ｓ 为转移函数 ． 文献［ ］ 将多个目标量测和作为评价函数 １ ２ 增量， 形成目标轨迹组的递归 ．
０ Ｔ ０ １ ０ Ｔ ０ １ ０ ０ ０ １ 其中 Ｔ为相邻两阶段的时间差 ． 量测模型表示为： （ ， ） Ａ ｉ ｊ ｋ＋ｗ ｋ （ ， ） ） （ ｚ ｉ ｊ ＝ ２ ｋ （ ， ） ｗ ｉ ｊ ｋ
１ ０ Ｆ＝ ０ ０
迹累积能量差为 ｋ 由于 ０ ， 目标能量信息 Ａ ． ＜ ωｓ ωｓ＜１ ｋ 有一部分丢失， 而且算法对孤立高亮噪声点非常敏感， 容易产生虚警 ． 如果将弥散圆内目标的多个像素加和 一起累积， 将提高目标能量累积效率 ． 假设多点累积区 ２ ， 这时 ｋ 个阶段纯噪声累积能量为 ｋ ， 目标累 域 ｒ ˑｒ ｒ ｗ ２ 积能量为 ｋ ， 目标与噪声轨迹累积能量差为 Ａ ｒｗ ｋ ＋ｋ 由于全部目标能量都参与累积， 增大了目标轨迹与 ｋ Ａ ． ｋ 噪声轨 迹 的 累 积 能 量 差， 使目标与噪声更易区分 ． 据 ） 的递归方程修改为多点累积， 同时增加方 此， 将式（ ３ 向控制权重以减少能量扩散： （ ） · ［ （ ） ］ （ ， ） Ｉ Ｘ ＝ｄ ｉ ｒ ｍ ａ ｘ Ｉ Ｘ ＋ ｉ ｊ ｋ ｋ － １ ｋ ∑ｚ
Ｘ ｋ － １ Ｒ
{
两种情况分别表示存在目标和只有噪声时的量测值， ２ （ ， ） Ｎ （ 假 定为 Ｉ 其中 Ａ ｗ ｉ ｊ Ｉ Ｄ σｗ） ｋ是目标灰度， ｋ μｗ， 的加性高斯噪声 ．
（ ） ６
２ ２ 评价函数递归和回溯
为了找到所有轨迹中的真实目标轨迹， 设定一个 ， 使得真实目标对应的评价函数值最大 ． 由 评价函数 Ｉ 于假定搜索过程为马尔可夫的， 因此 Ｉ 的最大值可通 过递归求解各个阶段评价函数的最大值求得， 递归方 ［ ］ ６ 程表示为 ： （ ） ［ （ ） ］ （ ， ） （ ） Ｉ Ｘ ＝ｍ ａ ｘ Ｉ Ｘ ＋ｚ ｉ ｊ ３ ｋ ｋ － １ ｋ
摘 要： 针对以往动态规划算法（ ， ） 单点能量累积效率低、 不能有效检测中途 Ｄ ｙ ｎ ａ ｍ ｉ ｃ Ｐ ｒ ｏ ｇ ｒ ａ ｍ ｍ ｉ ｎ ｇ Ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ Ｄ Ｐ Ａ 改进并应用于空间小目标检测 第一， 对递归方程进行修改， 利用多点累积方法克 入场目标的问题， 从三方面对 Ｄ Ｐ Ａ ． 服工程应用中人为增加光学散焦导致目标信息丢失的问题； 第二， 将各个速度平面分别计算修改为速度更新， 减少计 算量； 第三， 增加对入场目标的特殊处理， 克服不能有效检测中途入场目标的问题 ． 利用实摄序列图像对比实验， 证明 改进的有效性 ． 关键词： ；小目标检测；多点累积；入场目标 Ｄ Ｐ Ａ 中图分类号： Ｔ 文献标识码： Ａ 文章编号： Ｐ ３ ９ １ ）０ ０ ３ ７ ２ ２ １ １ ２（ ２ ０ １ ０ ３ ０ ５ ５ ６ ０ ５
２ Ｄ Ｐ Ａ原理
理想的小目标检测方法是搜索序列图像中全部可 能的轨迹， 根据连续性和一致性寻找真实目标 ． 而Ｄ Ｐ Ａ 的本质是将不可行的穷举搜索视为马尔可夫过程， 通过 分段最优化解决小目标检测的穷举搜索问题 ．
２ １ 目标运动模型
Ｄ Ｐ Ａ将整个图像序列的搜索过程分为 Ｋ个阶段， ］ ５ 假定目标匀速直线运动， 目标运动模型为［ ： ， …， （ ） Ｘ Ｘ ＝ １ Ｋ １ ｋ ＋ １＝Ｆ ｋ ｋ
以往研究都是以单点进行能量累积， 对散焦目标检 测效率低， 而且都没有考虑到中途入场目标的问题， 在 处理实际拍摄的图像时性能较差 ． 针对这种情况， 本文 的方法应用于空间小目标图像检测， 从递归 将Ｔ ｏ ｎ ｉ ｓ ｓ ｅ ｎ 方程、 速度更新和入场目标处理三个方面进行了改进， 用实摄图像对比实验证明改进的有效性 ．
（ ） ［ （ ） ］ Ｘ ＝ａ ｒ ｇ ｍ ａ ｘ Ｉ Ｘ ｋ ｋ － １ ψｋ
Ｘ ｋ － １
（ ） ４
（ ） 用来记录各个阶段的最大化轨迹点 ． 对所有序 Ｘ ｋ ψｋ 列图像递归计算， 得到具有最大评价函数值的轨迹认 为是目标轨迹， 最后根据 ψｋ （ ） 回溯各阶段轨迹点 ． 对 Ｘ ｋ 于多目标情况， 可以通过预设虚警率计算评价函数阈 ］ ３ 值， 大于阈值的轨迹认为是目标［ ．
： Ｆ （ ）ｈ Ａ ｂ ｓ ｔ ｒ ａ ｃ ｔ ｏ ｒ ｍ ｅ ｒ Ｄ Ｐ Ａ Ｄ ｙ ｎ ａ ｍ ｉ ｃ Ｐ ｒ ｏ ｇ ｒ ａ ｍ ｍ ｉ ｎ ｇ Ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ａ ｓ ｐ ｒ ｏ ｂ ｌ ｅ ｍ ｓ ｏ ｆ ｌ ｏ ｗｅ ｆ ｆ ｉ ｃ ｉ ｅ ｎ ｃ ｙ ｉ ｎ ｅ ｎ ｅ ｒ ｇ ｙ ａ ｃ ｃ ｕ ｍ ｕ ｌ ａ ｔ ｉ ｏ ｎ ｗ ｉ ｔ ｈ ｓ ｉ ｎ ｇ ｌ ｅ ｐ ｏ ｉ ｎ ｔ ａ ｎ ｄｃ ｏ ｕ ｌ ｄｎ ｏ ｔ ｄ ｅ ｔ ｅ ｃ ｔ ｅ ｎ ｔ ｒ ａ ｎ ｃ ｅ ｔ ａ ｒ ｇ ｅ ｔ ｉ ｎｔ ｉ ｍ ｅ ． Ｆ ｏ ｃ ｕ ｓ ｉ ｎ ｇｏ ｎｔ ｈ ｅ ｐ ｒ ｏ ｂ ｌ ｅ ｍ ｓ ｗ ｅ ｉ ｍ ｐ ｒ ｏ ｖ ｅ ｄｔ ｈ ｅ Ｄ Ｐ Ａｉ ｎｔ ｈ ｒ ｅ ｅ ａ ｓ ｐ ｅ ｃ ｔ ｓ ａ ｎ ｄａ ｐ ｐ ｌ ｉ ｅ ｄ ， ， ｉ ｔ ｉ ｎ ｓ ｐ ａ ｃ ｅ ｓ ｍ ａ ｌ ｌ ｔ ａ ｒ ｇ ｅ ｔ ｄ ｅ ｔ ｅ ｃ ｔ ｉ ｏ ｎ ． Ｆ ｉ ｒ ｓ ｔ ｔ ｈ ｅ ｒ ｅ ｃ ｕ ｒ ｓ ｉ ｖ ｅ ｅ ｑ ｕ ａ ｔ ｉ ｏ ｎ ｗ ａ ｓ ｉ ｍ ｐ ｒ ｏ ｖ ｅ ｄ ｔ ｏ ａ ｖ ｏ ｉ ｄ ｉ ｎ ｆ ｏ ｒ ｍ ａ ｔ ｉ ｏ ｎ ｌ ｏ ｓ ｓ ｗ ｈ ｉ ｃ ｈ ｃ ａ ｕ ｓ ｅ ｄ ｂ ｙ ｍ ａ ｎ ｕ ａ ｌ ｄ ｅ ｆ ｏ ， ， ｃ ｕ ｓ ｉ ｎｔ ｈ ｅ ｐ ｒ ｏ ｊ ｅ ｃ ｔ ｂ ｙｍ ｕ ｌ ｔ ｉ ｐ ｏ ｉ ｎ ｔ ａ ｃ ｃ ｕ ｍ ｕ ｌ ａ ｔ ｉ ｏ ｎ ． Ｓ ｅ ｃ ｏ ｎ ｄ ｔ ｈ ｅ ｃ ａ ｌ ｃ ｕ ｌ ａ ｔ ｉ ｏ ｎｏ ｆ ｍ ｕ ｌ ｔ ｉ ｖ ｅ ｌ ｏ ｃ ｉ ｔ ｙｐ ｌ ａ ｎ ｅ ｗ ａ ｓ ｓ ｉ ｍ ｐ ｌ ｉ ｆ ｉ ｅ ｄａ ｓ ｖ ｅ ｌ ｏ ｃ ｉ ｔ ｙｕ ｐ ｄ ａ ｔ ｅｔ ｏ ， ｐ ｅ ｃ ｉ ａ ｌ ｐ ｒ ｏ ｃ ｅ ｓ ｓ ｗ ａ ｓ ｕ ｓ ｅ ｄ ｔ ｏ ｓ ｏ ｌ ｖ ｅ ｔ ｈ ｅ ｐ ｒ ｏ ｂ ｌ ｅ ｍｏ ｆ ｅ ｎ ｔ ｒ ａ ｎ ｃ ｅ ｔ ａ ｒ ｇ ｅ ｔ ｓ ． Ｔ ｈ ｅ ｃ ｏ ｎ ｔ ｒ ａ ｓ ｔ ｉ ｖ ｅ ｅ ｘ ｐ ｅ ｒ ｒ ｅ ｄ ｕ ｃ ｅ ｔ ｈ ｅ ｃ ｏ ｍ ｐ ｕ ｔ ａ ｔ ｉ ｏ ｎ ａ ｌ ｃ ｏ ｍ ｐ ｌ ｅ ｘ ｉ ｔ ｙ ． Ｔ ｈ ｉ ｒ ｄｓ ｉ ｍ ｅ ｎ ｔ ｗ ｉ ｔ ｈｒ ｅ ａ ｌ ｓ ｐ ａ ｃ ｅ ｉ ｍ ａ ｇ ｅ ｓ ｐ ｒ ｏ ｖ ｅ ｄｔ ｈ ｅ ｖ ａ ｌ ｉ ｄ ｉ ｔ ｙｏ ｆ ｏ ｕ ｒ ｉ ｍ ｐ ｒ ｏ ｖ ｅ ｍ ｅ ｎ ｔ ｓ ． ： Ｄ ； ； ； Ｋ ｅ ｙｗ ｏ ｒ ｄ ｓ Ｐ Ａ ｓ ｍ ａ ｌ ｌ ｔ ａ ｒ ｇ ｅ ｔ ｓ ｄ ｅ ｔ ｅ ｃ ｔ ｉ ｏ ｎ ｍ ｕ ｌ ｔ ｉ ｐ ｏ ｉ ｎ ｔ ｓ ａ ｃ ｃ ｕ ｍ ｕ ｌ ａ ｔ ｉ ｏ ｎ ｅ ｎ ｔ ｒ ａ ｎ ｃ ｅ ｔ ａ ｒ ｇ ｅ ｔ ．
Ｓ ｐ ａ ｃ ｅＳ ｍａ ｌ ｌ Ｔ ａ ｒ ｇ ｅ ｔ ｓＤ ｅ ｔ ｅ ｃ ｔ ｉ ｏ ｎＢ ａ ｓ ｅ ｄｏ ｎＩ ｍｐ ｒ ｏ ｖ ｅ ｄＤ Ｐ Ａ
１ ２ ， Ｚ Ｈ Ａ Ｎ ＧＹ ｕ ｙ ｅ ＷＡ Ｎ ＧＣ ｈ ｕ ｎ ｘ ｉ ｎ
（ ， ， ， ， ； １ ． Ｑ ｉ ｎ ｇ ｄ ａ ｏ Ｂ ｒ ａ ｎ ｃ ｈ Ｎ ａ ｖ ｙ Ａ ｅ ｒ ｏ ｎ ａ ｕ ｔ ｉ ｃ ａ ｌ ａ ｎ ｄＡ ｓ ｔ ｒ ｏ ｎ ａ ｕ ｔ ｉ ｃ ａ ｌ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ Ｑ ｉ ｎ ｇ ｄ ａ ｏ Ｓ ｈ ａ ｎ ｄ ｏ ｎ ｇ２ ６ ６ ０ ４ １ Ｃ ｈ ｉ ｎ ａ ， ， ， ， ） ２ ． Ｉ ｎ ｓ ｔ ｉ ｔ ｕ ｔ ｅ ｏ ｆ Ｃ ｏ ｍ ｍ ａ ｎ ｄａ ｎ ｄＣ ｏ ｎ ｔ ｒ ｏ ｌ Ｎ ｏ ｒ ｔ ｈＳ ｅ ａＦ ｌ ｅ ｅ ｔ Ｑ ｉ ｎ ｇ ｄ ａ ｏ Ｓ ｈ ａ ｎ ｄ ｏ ｎ ｇ２ ６ ６ ０ ０ ０ Ｃ ｈ ｉ ｎ ａ
Ｘ ｋ － １
其中， 为方向权重 ． 如果直接进 Ｒ为多点累积区域， ｄ ｉ ｒ 行多点累积， 将会产生来自同一目标内不同点的多条 由于目标灰度分布通常可以假定为二维 高能量轨迹 ． ］ １ ３ ， 通常中心存在最大灰度点， 因此累积区域 高斯模型［ 设计为 ｒ 范围内灰度小于中心像素的点， 以保证同 ˑｒ 一目标只产生一条高能量轨迹： ｛ （ ， ） ， …， ， Ｒ＝ ｉ ｊ ｜ ｉ ＝ｉ ｉ ０－ｒ ０＋ｒ （ ） ７ ， …， ， （ ， ） （ ， ） ｝ ｊ ＝ｊ ｊ ｚ ｉ ｊ ｉ ｊ ≤ｚ ０－ｒ ０＋ｒ ｋ ｋ ０ ０ （ ， ） 为中心点量测值 ． 方向权重 ｄ 设计为： 其中 ｚ ｉ ｊ ｉ ｒ ｋ ０ ０ － θｄ θ０ ｔ （ｐ ） （ ） ｄ ｉ ｒ ＝ｃ ｏ ｓ ８ α 其中θｐ 表示前 ｋ 个阶段的历史平均速度方向； θ０为第 ｄ ｔ 阶段实际目标方向， 注意， 与文献 ｋ α 为比例调节参数 ． ［ ］ 的多个单点目标灰度求和不同的是， 这里的多点灰 １ ２ 度和是指一个目标的多个像素点灰度求和 ．