融合重检测机制的卷积回归网络目标跟踪算法

针对基于人工特征的背景感知相关滤波（CACF）算法在形变、运动模糊、低分辨率情形跟踪效果较差以及跟踪器遇到严重遮挡等情形容易陷入局部最优而导致跟踪失败的问题，提出一种融合重检测机制的卷积回归网络（CRN）目标跟踪算法。在训练阶段，将相关滤波作为CRN层融入进深度神经网络，使网络成为一个整体进行端到端训练；在跟踪阶段，通过残差连接融合不同网络层及其响应值，同时引入重检测机制使算法从潜在的跟踪失败中恢复，当响应值低于给定阈值时激活检测器。在数据集OTB-2013上的实验表明，所提算法在50个视频序列上精确度达到88.1%，相比原始CACF算法提高9.7个百分点，在具有形变、运动模糊等属性的视频序列上相比原始算法表现更优秀。     

一种结合Camshift和Kalman滤波的TLD目标跟踪算法

TLD(Tracking-Learning-Detection)跟踪最大的优点是对初始选择的目标进行不断的学习,来获取目标当前的外观特征信息。但其计算量大,当有相似目标出现、目标物被遮挡时,跟踪精确度低、效果差。Camshift算法是基于Meanshift算法形成的可连续自适应的一种算法。Camshift结合Kalman滤波可实现对目标位置的快速查找和对窗口大小的控制功能。将TLD跟踪方法的原始输出数据与改进算法的预测结果结合,再修正当前时刻的状态输出结果。对输出结果加权处理,得到目标的最终准确位置。改进算法既具有TLD算法原有的长期有效跟踪特点,又提高了对目标实时跟踪的准确性,同时对短时遮挡具有预测功能。     

改进的基于跨尺度代价聚合的立体匹配算法

为了提高室内自动物流装置以及工业抓取设备的准确性与速度,提出一种改进的基于跨尺度代价聚合的立体匹配方法。针对传统的基于跨尺度代价聚合的立体匹配方法在低纹理区域、无纹理区域误匹配较高的问题,对不同下采样层的代价卷使用不同的代价聚合方法,使不同下采样层间的不同聚合方法能够相互融合与抑制。为了解决跨尺度代价聚合框架中采用引导滤波时计算耗时较长的问题,引入了快速引导滤波。在偶数下采样层使用快速引导滤波,在奇数下采样层使用区域树代价聚合,从而使新的算法获得更精确的视差图,且极大地减少了计算耗时。     

ALIF-MMPE结合DAG-SVM的滚动轴承故障诊断

针对滚动轴承故障诊断中非平稳振动信号下的有效故障特征提取问题,提出一种基于自适应局部迭代滤波、多元多尺度排列熵和有向无环图算法支持向量机的滚动轴承故障诊断方法。自适应局部迭代滤波通过构建自适应滤波函数,能够有效抑制噪声和模态混叠,经自适应分解后得到若干本征模态函数。仿真结果表明其效果优于经验模态分解。然后利用多元多尺度排列熵对包含显著故障信息的本征模态函数进行信息融合和特征提取,组成故障状态特征集。采用主成分分析对故障状态特征集进行降维,随机抽取部分样本带入有向无环图算法支持向量机中进行训练,其它则作为测试样本进行故障识别和诊断。试验故障诊断结果表明:自适应局部迭代滤波下多元多尺度排列熵优于多个本征模态函数下的多尺度排列熵和经验模态分解下的多元多尺度排列熵;本文方法能准确地识别滚动轴承不同的故障类型及故障程度。