[00113752]油气管线智能视频入侵检测关键技术研究与应用

本项目针对油气管线智能监控这一具体应用场景,主要研发高效的图像增强及入侵目标检测、分类与跟踪技术。（1）以Retinex算法为基础,结合相似块与小波阈值滤波,提出一种图像增强方法。通过对图像分解,估计入射光分量并求解反射光分量,以达到图像去雾的效果;依据图像块间欧式距离对块堆叠成组,对组内图像进行小波变换域滤波去除噪声;通过加权平均将图像块返回原图像,实现了细节保留的高质图像增强。（2）基于SSD（Single Shot MultiBox Detector）目标检测,通过在VGG-16网络结构中舍弃分类层并增加卷积层来构建特征金字塔,避免SSD小目标漏检现象,提升对快速运动目标（行人）的检测性能,从而实现行人运动目标的鲁棒检测。（3）基于YOLO（You only look once）网络模型,通过降低参数精度,利用Tensor RT来加速YOLO推理过程,并训练出可在严重的遮挡、尺度变化、相似物干扰、低分辨率、目标尺度较小等环境中良好识别行人、车辆的加速YOLO检测模型,从而实现实时的有效目标分类。（4）提出基于多核融合与局部约束的协同表示目标跟踪方法。首先为了获得更好的分类性能,采用局部约束线性编码方法,将样本数据的局部结构引入到协同表示方法中;然后利用核函数将该协同表示扩展到多特征融合的核空间,使得字典和稀疏表示系数对目标特征的类判别能力得到增强;最后视目标跟踪为二分类问题,在粒子滤波框架下将分类器得分最高的候选目标作为跟踪目标。从而实现准确且鲁棒的目标跟踪。