相似车辆干扰下的车辆跟踪算法

本文在深度学习目标跟踪算法SiameseFC的框架下,结合角点特征提取算法和角点特征匹配算法提出了一种基于角度分析的车辆跟踪算法,增强了相似车辆干扰下车辆跟踪算法的鲁棒性与准确性。采用OPE评估标准对从公开数据集DETRAC中选取的2组视频,并与SiameseFC算法和MDNet算法进行了对比。测试结果表明:该算法的鲁棒性与准确性均优于对比算法,跟踪精度达96.9%,成功率达85.39%。相比于SiameseFC算法,跟踪精度提高了24.55%,成功率提高了18.31%:相比于MDNet算法,跟踪精度提高了16.56%,成功率提高了24.01%。     

基于卷积神经网络的工件识别算法

针对传统工件识别算法特征提取困难、通用性差、工件的平移、旋转和光照变化对识别效果影响较大、识别准确率不高等问题,提出了一种基于卷积神经网络的工件识别算法。卷积神经网络由4层网络构成,包括2层卷积层和2层全连接层。实验任意选取了10种工件进行识别。在神经网络训练阶段对这10种工件共采集1万张图片,其中9000张图片作为训练集,剩下1000张图片作为验证集。训练时采用在卷积层加入批归一化层和在全连接层使用随机失活的方法,使网络能够得到更好的训练效果。当迭代次数达到10万次时基本得到理想的训练效果。测试时通过摄像机采集图像,对采集到的图像进行预处理,然后将预处理后的图像送入网络进行识别。在光源稳定室内环境下进行实验,实验结果表明基于卷积神经网络的工件识别平均所需时间为0.169s,平均识别准确率为98.3%,准确率高于传统基于特征提取和模板匹配的工件识别。