[01320786]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。