双特征模型核相关滤波目标跟踪算法

目的 基于深度学习的目标跟踪算法,利用卷积深层作为特征,虽然精度高但无法做到实时跟踪;基于相关滤波的跟踪算法,利用HOG（histogram of oriented gridients）、CN（color name）和颜色直方图作为特征,速度快但精度较差。为兼顾目标跟踪算法的实时性与准确性,提出了一种基于双模型核相关滤波算法。方法 提出了自适应的双特征模型选择机制,主特征模型采用浅层纹理特征HOG,辅助特征模型采用包含深层语意信息的CNN（convolutional neural networks）特征,二者协同作用,产生更加稳定的相关滤波器。为了提高算法的速度,采用主成分分析（PCA）技术对高维的CNN特征进行降维,并通过尺度优化、最优解求解方式优化等方法提高跟踪算法的准确性。结果 在公开数据集OTB-2013上,本文算法与目前先进且速度能达到实时的SiamFC（fully-convolutional Siamese networks）、MEEM（multiple experts using entropy minimization）、SAMF（scale adaptive multiple features）、DSST（discriminative scale space tracking）等跟踪算法进行比较,一次成功率（OPE）结果显示,本文算法在距离精准度指标中综合排名第一,与KCF（kernel correlation filter）算法相比,本文算法的距离精准度提高了25.2%,重叠成功率提高了25.6%,平均速度达到38帧/s。结论 本文提出的双模型自适应机制,针对主特征模型的置信响应自适应调用最优模型策略,并且实时更新模型,在综合考虑跟踪准确性和跟踪实时性的情况下,本文提出的目标跟踪算法的性能优于目前的跟踪算法。     

基于卷积神经网络的铁轨路牌识别方法

轨道交通在我国综合交通运输体系中占有重要的地位,随着人工智能的发展,智能感知轨道交通周围环境的信息也变得越来越引人注目.本文结合深度学习与图像处理的方法,设计并实现了一种基于卷积神经网络的高铁轨道周边路牌数字识别的智能系统,该系统通过在高铁驾驶室内安装摄像头的方式采集运行前方的视频,并通过目标识别、语义分割等深度学习算法自动定位并识别路牌内的数字,从而解决了之前人工处理的繁琐和低效率.本算法整体系统由三个子模块构成,分别为目标检测模块、语义分割模块以及数字识别模块,其中目标检测模块基于SSD(Single shot MultiBox dector)模型,并对其进行了改进,使其更适用于轨道交通中的小目标识别;语义分割模块使用了全卷积的方式,对目标检测的结果进一步处理,准确得到路牌中的数字区域;数字识别模块的设计参考了著名的识别MNIST数据集的手写体识别系统,并针对路牌中数字的特点做了相应的改进,实现了对每个数字的准确识别.实验结果表明,本系统可适应白天、夜间情况下轨道交通的路况,识别的综合准确率为80.45%,其中,白天的平均识别准确率为87.98%,夜间的平均识别准确率为72.92%.     

同步全变分与限制对比度均衡的彩色图像去噪增强方法

为了更好地实现彩色图像去噪与反差增强的处理,提出一种同步全变分与限制对比度均衡的彩色图像去噪增强方法。首先分析了彩色全变分（CTV）模型存在的问题,并针对这一问题,提出通过引入彩色空间下矢量扩散控制改进该模型,消除阶梯效应。其次,为了避免由于灰度转化带来的信息缺损,给出一种RGB空间下的梯度矢量计算方法。最后构造了限制对比度直方图均衡（CLAHE）的微分模型,将其与改进后的CTV模型融合实现了彩色图像的同步去噪与增强处理。实验结果表明:由于本文方法直接在彩色空间下进行计算,因此可以减少由色彩空间转化带来的信息损失,能够在提高图像的对比度的同时去除噪声,更好地完成彩色图像的去噪与反差增强处理。      

一种基于改进的MobileNetV2网络语义分割算法

基于金字塔卷积神经网络的语义分割算法准确率很高,但是其计算资源消耗巨大、算法执行时间长、无法满足实时性要求.为了解决这个问题,本文做出了以下改进：（1）用MobileNet替换原网络的结构,减少了网络运算时间和内存开销;（2）引入编码器-解码器结构提高输出图像的分辨率,进一步细化分割结果;（3）针对高分辨率图像推断时间过长的问题,本文设计了多级图像输入方法,降低了网络推断高分辨率图像所消耗的时间.本文在VOC 2012数据集和Cityscapes数据集上进行了测试,并与FCN、SegNet、DeepLab、PSPNet以及DFN等语义分割模型对比.实验结果表明,本文设计的语义分割算法在VOC 2012数据集上达到了76.1%的mIoU,在Cityscapes数据集上达到了74.1%的mIoU,略低于传统语义分割算法;处理一张分辨率为1024×512的图片需要18ms,少于传统语义分割算法,满足了实时性要求,达到了准确率与计算资源消耗之间的平衡.     

三维脑白质纤维束成像方法?

从Riemannian流形的角度分析扩散张量成像,将脑白质中任意两点间的纤维束生成问题转化为计算Riemannian流形中两点间测地线的问题,通过Level-Set方法计算测地线,并将其作为脑白质中两点间的纤维束。利用模拟脑白质纤维束对该算法和传统算法进行比较,实验结果表明,该算法在准确性、鲁棒性等方面有较大改进。     

TSCNN:面向可穿戴心电信号监测与分析的卷积神经网络

目的 可穿戴设备能够长时间实时监测人体心脏状况,其在心电信号监测领域应用广泛。但目前仍没有公开的来自可穿戴设备的心电数据集,大部分心电信号分析算法都是针对医院设备所采集的心电数据。因此,本文使用IREALCARE 2.0柔性远程心电贴作为心电信号监测和采集设备制作了可穿戴设备的心电数据集。针对可穿戴心电数据干扰多、数据量大等特点,本文提出了一种针对可穿戴设备获得的心电信号进行自动分类的深层卷积神经网络,称之为时空卷积神经网络（time-spatial convolutional neural networks,TSCNN）。方法 将原始的长时间心电信号分割为单个的心搏并与滤波后不同频段的心搏数据组合成十通道的数据输入到TSCNN中。TSCNN对每个心搏使用时间卷积和空间滤波来提取丰富的特征。采用小卷积核级联卷积的方式提高分类性能,并降低网络的参数量和计算量。结果 在本文制作的心电数据集上进行了测试,并与其他4种心电分类算法：CNN（convolutional neural networks）、RNN（recurrent neural networks）、1-DCNN（1-dimensional convolution neural networks）和DCN（dense convolutional networks）进行了比较。实验结果显示,本文方法的分类准确率达到91.16%,优于其他4种方法。结论 本文方法面向可穿戴心电数据,获得了较好的分类性能,可以有效监控穿戴者是否出现了心电异常情况。     

尺度自适应的多特征融合相关滤波目标跟踪算法

目标跟踪一直以来都是计算机视觉领域中的关键问题,核相关滤波算法(KCF)可避免在时域中进行目标跟踪,通过傅里叶变换将时域的计算转换到频域中进行,可大量简化计算,不但提高了跟踪速度,而且在跟踪精度上也有很大的提升.针对复杂条件下的目标跟踪问题,在确保算法实时性的前提下,在KCF的基础上对其特征、尺度以及模型更新机制进行3处改进:提出一种多特征融合算法,针对每种特征在不同环境下的优势,将其进行融合;提出一种分类树形尺度自适应的算法,通过树形搜索方式对目标尺度的大小进行判断,找到最佳响应位置;提出一种自适应模型更新策略的算法.实验结果表明,在公开数据集OTB-2013中算法整体的跟踪精确度达到87.4%,成功率也达到67.1%,可很好地实现复杂条件的目标跟踪,综合性能在已公开发表的跟踪算法中排名第2.尤其是在尺度变化、目标遮挡和图像模糊情况下,所提出算法的跟踪精确度和成功率排名第1.     

近年目标跟踪算法短评——相关滤波与深度学习

目的 目标跟踪是计算机视觉领域的重要组成部分。近年来,基于相关滤波和深度学习的目标跟踪算法层出不穷,本文拟对经典的若干目标跟踪算法进行阐述与分析。方法 首先,对基于相关滤波跟踪算法的基础理论进行介绍,针对相关滤波算法在特征改进类、尺度改进类、消除边界效应类、图像分块类与目标响应自适应类方面进行总结;接下来,从3个方面对基于深度学习的目标跟踪算法进行阐述与分析：目标分类、结构化回归、孪生网络,并对有代表性的跟踪算法的优势与缺陷进行较深层次的解读。结果 通过列举跟踪算法在相关滤波阶段、深度学习阶段针对不同的改进机制的改进算法,总结各阶段算法的优缺点。对目标跟踪算法的最新进展进行阐述,最终对目标跟踪算法的未来发展方向进行总结。结论 基于相关滤波的目标算法在实时性方面表现优秀,但对于复杂背景干扰、相似物遮挡等情况仍然需要优化。深层的卷积特征对于目标有强大的表示力,通过使相关滤波算法与深度学习结合,大幅度提升了算法表现力。基于深度学习的跟踪算法则更侧重于跟踪的性能,大多无法满足实时性。孪生神经网络的使用对于基于深度学习类目标跟踪算法产生了很大的推动,兼顾了算法的性能和实时性。     

目标跟踪算法综述

目标跟踪一直以来都是计算机视觉领域的关键问题,最近随着人工智能技术的飞速发展,运动目标跟踪问题得到了越来越多的关注.本文对主流目标跟踪算法进行了综述,首先,介绍了目标跟踪中常见的问题,并由时间顺序对目标跟踪算法进行了分类:早期的经典跟踪算法、基于核相关滤波的跟踪算法以及基于深度学习的跟踪算法.接下来,对每一类中经典的跟踪算法的原始版本和各种改进版本做了介绍、分析以及比较.最后,使用OTB-2013数据集对目标跟踪算法进行测试,并对结果进行分析,得出了以下结论:1）相比于光流法、Kalman、Meanshift等传统算法,相关滤波类算法跟踪速度更快,深度学习类方法精度高.2）具有多特征融合以及深度特征的追踪器在跟踪精度方面的效果更好.3）使用强大的分类器是实现良好跟踪的基础.4）尺度的自适应以及模型的更新机制也影响着跟踪的精度.