基于深度学习的视频跟踪研究进展综述

近年来深度学习迅猛发展，颠覆了语音识别、图像分类、文本理解等领域的算法设计思路。深度学习因其具备强大的特征提取能力，在图像识别领域的成绩尤为突出。然而深度学习与视频监控领域的结合并不多，由于深度模型具有多层网络结构，算法复杂度大，训练和更新模型时比较耗时，很难满足实时性要求。回顾了深度学习的发展史，介绍了最近10年来国内外深度学习主要模型，论述了基于深度学习的目标跟踪算法，指出了各算法的优缺点，最后对当前该领域存在的问题和发展前景进行了总结和展望。     

基于TensorFlow的交通标志识别系统研究

在经济快速发展、人们生活水平逐渐提高的同时,社会上行驶的车辆数目迅速增多,交通拥堵现象成为常态,并且交通事故也频频出现,对社会造成了巨大损失。基于此种形势,无人驾驶领域的智能交通系统受到很多人的关注。TensorFlow是近年来比较流行的深度学习框架,本文将基于TensorFlow实现卷积神经网络模型,并解决交通标志识别的实际应用。     

基于轻量级网络的装甲目标快速检测

针对战场环境下装甲目标的检测任务,提出一种基于轻量级网络的快速检测方法.首先以轻量级卷积神经网络MobileNet作为骨架网络,构建一个多尺度的单步检测网络;然后针对装甲目标的尺寸分布情况使用分辨率更高的卷积特征图,并在每个检测单元上新加入一个残差模块,增强了对小尺度目标的检测能力;最后引入focal-loss损失来替代传统的交叉熵损失函数,有效地克服了训练过程中存在的正负样本分布极度不平衡的问题.针对装甲目标构建了专用的目标检测数据集,并在该数据集上对几种目前主流的单步检测方法进行了训练和测试,实验结果表明,该方法在检测精度、模型容量以及运行速度上均取得了较好的效果,对于无人机等小型移动侦查平台具备良好的适用性.     

基于卷积神经网络优化TLD运动手势跟踪算法

针对TLD（Tracking-Learning-Detection）算法在光照变化不均、遮挡严重、跟踪目标模糊等情况下会出现跟踪失败的问题，提出一种基于卷积神经网络优化TLD运动手势跟踪算法。选取手势特征作正样本，其背景作负样本，获取手势HOG特征并投入到卷积神经网络中加以训练，得到手势检测分类器，从而确定目标手势区域，实现手势的自动识别；再利用TLD算法对手势进行跟踪与学习，对正负样本进行估计检测并实时校正，同时运用SURF特征匹配更新跟踪器。实验结果验证，该算法对比TLD经典算法跟踪精度提高了4.24%，增强了运动手势的跟踪效果，相比经典跟踪算法拥有更高鲁棒性。