基于稀疏卷积特征和相关滤波的实时视觉跟踪算法

为提高分层卷积相关滤波视觉跟踪算法的实时性能,提出一种稀疏卷积特征的实时目标跟踪算法。首先,在分析不同层卷积特征的基础上,采用等间隔采样的方式提取每个卷积层的稀疏卷积特征;然后,对每个卷积层特征的相关滤波响应值进行加权组合,得到目标预测的位置;最后,采用稀疏的模型更新策略进一步提高算法的运行速度。在OTB-2015新增的50组数据上对所提算法进行测试,实验结果表明,该算法的平均距离精度为82.2%,比原分层卷积特征跟踪算法提高了5.25个百分点,对目标姿态以及遮挡等变化具有较好的鲁棒性。该算法的平均跟踪速度为32.6帧/s,是原分层卷积特征跟踪算法的近3倍,能达到实时跟踪的效果。     

自适应卷积特征选择的实时跟踪算法

目的 针对深度卷积特征相关滤波跟踪算法因特征维度多造成的跟踪速度慢及其在目标发生形变、遮挡等情况时存在跟踪失败的问题,提出了一种自适应卷积特征选择的实时跟踪算法。方法 该算法先分析结合深度卷积特征的相关滤波跟踪算法定位目标的特性,然后提出使用目标区域和搜索区域的特征均值比来评估卷积操作,选取满足均值比大于阈值的特征通道数最多的卷积层,减少卷积特征的层数及维度,并提取该卷积层的有效卷积特征来训练相关滤波分类器,最后采用稀疏的模型更新策略提高跟踪速度。结果 在OTB-100标准数据集上进行算法测试,本文算法的平均距离精度值达86.4%,平均跟踪速度达29.9帧/s,比分层卷积相关滤波跟踪算法平均距离精度值提高了2.7个百分点,速度快将近3倍。实验结果表明,本文自适应特征选择的方式在保证跟踪精度的同时有效地提升了跟踪的速度,且优于当前使用主成分分析降维的方式;与现有前沿跟踪算法对比,本文算法的整体性能优于实验中对比的9种算法。结论 该算法采用自适应卷积通道和卷积层选择的方式有效地减少了卷积层数和特征维度,降低了模型的复杂度,提升了跟踪速度,利用稀疏模型更新策略进一步提升了跟踪的速度,减少了模型漂移现象,当目标发生快速运动、遇到遮挡、光照变化等复杂场景时,仍可实时跟踪到目标,具有较强的鲁棒性和适应性。     

基于HarDNet全卷积网络的道路路面语义分割方法

道路路面可行驶区域识别是无人驾驶环境感知的重要组成部分.针对计算资源有限的车载设备,设计了基于HarDNet全卷积网络的道路路面语义分割方法.首先,在U-Net语义分割框架中使用低内存消耗的HarDNet卷积神经网络结构提取卷积特征进行路面分割;其次,在模型训练时对图像标签进行权重增强,提升路面边缘分割精度;然后,针对国内道路特点,构建国内道路路面分割数据集;最后,使用基于像素的交叉熵函数和Softmax的损失函数,结合平移、形变、填充、灰度处理、"复制粘贴"的数据增强方法进行模型训练.在构造的国内道路数据集上进行算法测试,实验结果表明所提方法的平均交并比值为94.5,在AGX Xavier设备上运行速度为10.6帧/秒.在满足无人车计算力要求的前提下,尽可能提升了路面可行驶区域分割的精度.     

多模型融合的孪生网络视觉跟踪

为提升孪生网络视觉跟踪算法的准确性,提出一种融合多任务差异化同质型模型的孪生网络视觉跟踪算法。首先在决策层对孪生网络视觉跟踪模型与目标分割模型进行融合,然后结合多尺度搜索区域、目标上下文特征、多学习率模型更新策略进行跟踪。在标准数据集VOT、OTB、LaSOT、UAV123上进行算法评估。实验结果表明,所提算法在遮挡、快速运动、光照变化等干扰下可以稳定跟踪目标。