摘要:视觉测量中经常需要用到特征匹配来计算位姿信息，但尚无针对红外主动目标设计特征匹配可用的算法，为实现对不同分布红外主动目标的匹配，本文提出了一种通用的两阶段特征点匹配方法。第一阶段为粗配准，首先检测图像特征点集的凸包，获取最外围点；通过构建三角形特征集，并使用马氏距离进行相似三角形计算搜索实现快速粗配准。第二阶段为精匹配，首先通过粗匹配特征计算欧拉角避免匹配结果的180°旋转对称；针对粗配准后的可能存在的特征点缺失问题，采用极线约束精匹配策略，充分利用已匹配特征点的几何信息，有效实现对剩余点的精确匹配。理论分析与实验表明，在13个红外发光点组成的旋转对称点集及非旋转对称点集下，该方法在绝对大小0°~40°的旋转范围内能高效匹配，实验测试极限性能能够达到50°，并对实际场景下特征点的遮挡等情况具有较好的鲁棒性，实验结果验证其适应性与稳定性，具有较高的实用价值。

摘要:针对旋转遮光式太阳辐射监测系统采用的硅光电二极管型辐射传感器具有光谱窄、精度低、长期稳定性差的缺点，提出了一种利用热电堆阵列动态校准硅光电二极管阵列的方法，并设计了一款轻量化、低成本、高精度的旋转遮挡式太阳辐射监测装置。该检测系统采用静态过程与动态过程实时交替的方式进行探测，分为静态采集光强大小和动态采集遮光带在旋转的过程中热电堆阵列、硅光电二极管阵列的光强变化，通过计算出太阳高度角和后续数据处理，得到太阳总辐射、直接辐射和散射辐射值。误差分析图显示，总辐射的均方根误差为1.859 W/m2，直接辐射和散射辐射分别为2.922 W/m2、2.770 W/m2，相比使用单一硅光电二极管阵列，均方根误差分别降低了8.908 W/m2、5.454 W/m2，证明该测量方法具备较高的检测精度。

摘要:面对边境复杂环境导致的人工巡检难题和安全风险，部署无人化监控系统对我国边防至关重要。由于摄像头与入侵目标间距离差异导致所拍图像尺度变化显著问题，以及监控目标采用遮挡策略，现有无人边防系统面临误检、漏检率高和实时性不足的挑战。针对该问题，提出了一种平均精度更高、参数量更少、普适性更强的FDB-YOLOv5遮挡小目标检测算法。首先，采集大量不同遮挡面积的人员样本构建数据集；其次，设计了Faster_C3新结构，以减少遮挡小目标检测网络的延迟和参数量，提高模型检测速率；此外，在颈部网络中引入基于点采样的Dysample上采样器，获得更多的局部细节和语义信息，增强模型对小目标的检测能力，同时降低计算开销；最后，使用基于多尺度特征提取BSPPF的空间金字塔池化方法，有效地解决尺度不变性及遮挡目标特征信息损失问题，从而更好地捕获关键信息，提高模型对遮挡小目标检测的稳定性以及鲁棒性。实验结果表明，与基线YOLOv5相比，FDB-YOLOv5的mAP@0.5%达到了91.5%；参数量和计算量分别减少了19.07%与18.40%；模型的检测速度提高了8.83%；与Faster R-CNN、SSD、YOLOv5s、YOLOv8相比，FDB-YOLOv5表现出更优越的性能，可以为边境无人化目标检测技术提供参考。

摘要:行人检测是深度学习目标检测领域的重要分支，但密集场景中存在严重遮挡问题，给行人检测带来巨大挑战。为了缓解该问题，在 CenterNet多任务学习模型上提出目标检测和姿态关键点检测任务对齐方法，改进后的模型为Center_tood。首先提出分离模块：该模块将原始特征分离得到更加关注各个任务的特征；在此基础上提出任务对齐方法：通过设计对齐度量来约束损失，使模型在梯度上更大程度地向着多任务对齐的方向优化，同时利用一致性约束，使模型学习到不同任务之间的共性信息，从而对齐不同任务的特征。实验部分采用CrowdPose数据集训练和测试。本算法的目标检测AP值为743%，提高了115%；人体姿态关键点AP值为558%，提高了96%。实验结果验证了提出的多任务学习算法在密集场景行人检测上的有效性。

摘要:长时间遮挡会导致光伏板光电转换受到影响，产生热斑，对应光伏阵列的输出U-I曲线随之会发生变化，相应的U-P曲线也会包含多个峰值。为了准确定位热斑，需要分析热斑产生的机理，构建具有通用性的阴影遮挡下光伏阵列模型，针对传统工程模型不能准确描述诸如CTCT等复杂光伏阵列的电气参数，本文提出一种阴影遮挡下的多点平抛运动的光伏阵列数学模型。为验证该模型的准确性，采用Matlab/Simulink建模仿真并搭建热斑模拟平台，改变光照强度模拟阴影遮挡以及光伏板的连接方式，得到并分析光伏阵列U-I、U-P特性曲线，相比于工程模型，本文所提出的模型使运算时间降低到2.5%，其能更全面地描述局部阴影条件下复杂结构的光伏阵列的输出特性。

摘要:针对施工场所中目标遮挡引起的安全帽佩戴者的轨迹追踪困难的问题，本文提出了一种结合YOLOv5和质心匹配算法的安全帽佩戴检测及轨迹追踪方法。该方法首先采用YOLOv5网络准确检测未佩戴安全帽的人员，计算其质心坐标；进一步的采用扩展卡尔曼滤波器预测目标位置信息；最后采用基于马氏距离及直方图相关性的质心匹配关联算法，结合预测信息实现了目标遮挡环境中的目标轨迹异常修正，可获得准确的目标轨迹。实验结果表明，本方法有效解决了目标跟踪中由目标遮挡引起的目标互换和丢失等问题，在自建数据集中获得了高于传统算法10%以上的目标跟踪准确度，为智慧工地的发展提供了有力的技术支持。

摘要:行人检测是目标检测领域的一个重要分支，目前行人检测算法已经取得了较好的发展，但拥挤场景下存在着行人间的严重遮挡，这为检测任务带来了极大的挑战。为有效缓解该问题，本文在YOLOv3的基础上进行改进，提出单阶段密集行人检测算法：Crowd-YOLO，该算法将可见框标注信息加入到网络中，使网络同时预测全身框与可见框信息从而提升检测性能；提出时频域融合注意力模块（TFFAM），将频域通道注意力和空间注意力加入到网络中重新分配特征权重；采用数据关联型上采样代替传统的双线性插值，使深层特征图获取更为丰富的信息表达。本文使用非常具有挑战性的大型拥挤人群场景数据集CrowdHuman进行训练和测试，实验结果表明，本文所提方法比基础网络在AP50指标上提高了约3.7%,在召回率（Recall）指标上提高了3.4%，其中时频域融合注意力模块为网络带来了2.3%AP的性能增益。实验结果验证了本文所提方法在拥挤人群场景下的有效性。

摘要:实际生活中的人脸图像大部分带有遮挡，常常导致待检测人脸的关键信息丢失。针对人脸识别过程中由于遮挡所导致的人脸特征难以提取的问题，本文设计了一种基于VGGNet和多特征点融合的遮挡人脸检测算法。该方法以VGG-16框架为特征提取的骨干网络，在传统VGG网络的全连接层输入前增加遮挡处理单元OCC-Net（Occlusion-Net）。在该层中首先采用多特征融合的方法，增强网络对人脸特征的提取；然后利用尺度不变特征转换（SIFT）算法，扩大网络中小尺度特征图，得到更为丰富的互补信息，改善了传统VGG网络由于多次卷积、池化操作后所导致的小尺度特征损失严重的问题；最后改进回归框参数以降低损失函数对遮挡区域的敏感度，通过边框回归得到遮挡区域的位置信息，提升了有遮挡情况下的人脸检测精度。实验结果表明，相较于PCANet、Faster RCNN及未添加OCCNet的传统VGGNet等常用算法，本文算法在常用的FDDB以及RMFD等遮挡数据集上，均能更精确地定位被遮挡的人脸，证实了该算法的有效性和鲁棒性。