深度残差特征与熵能量优化运动目标跟踪算法

针对模型更新的运动目标跟踪算法准确率、实时性和鲁棒性较低的问题,提出一种基于深度残差特征与熵能量优化的运动目标跟踪算法。通过深度残差网络从视频序列中提取深度残差特征,计算深度残差特征的熵能量,并通过二维核变换计算深度频率。由微分方程从深度频率中计算出深度平衡,通过极大似然估计出目标位置和速度等状态信息,完成对运动目标的跟踪。为了验证算法的可行性与有效性,在目标跟踪基准数据集(object tracking basis, OTB)上进行算法对比试验,验证各个算法在运动目标跟踪上的准确性和鲁棒性。试验结果表明,该研究提出的算法比当前最佳算法在运动目标跟踪的速度和位置准确性上都有显著的提升,通过深度残差特征的熵能量优化,使运动目标跟踪算法具有更好的灵活性和鲁棒性。     

基于Kinect深度信息的人体运动跟踪算法

大多数人体跟踪算法鲁棒性不高的主要原因是对人体的颜色特征进行跟踪,针对此问题设计了基于Kinect深度信息的人体运动跟踪算法。通过分析Kinect获取的深度图信息来对人体轮廓进行区分判定,提取前景目标区域以及计算目标区域的深度直方图。通过对深度直方图进行分析去除背景区域部分,根据获取的深度直方图求取跟踪图像的深度反向投影;最后结合Camshift算法确定当前选取目标区域的尺寸和中心位置来进行对人体的实时跟踪。实验结果表明,该算法提取的目标特征具有较强的鲁棒性,避免了光照变化和背景相似情况下的不稳定问题,能实现复杂场景下的人体目标跟踪。     

一种基于ResNet网络特征的视觉目标跟踪算法

针对复杂场景下目标容易丢失的问题,提出了一种基于深度残差网络（ResNet）特征的尺度自适应视觉目标跟踪算法.首先,通过ResNet提取图像感兴趣区域的多层深度特征,考虑到修正线性单元（ReLU）激活函数对目标特征的抑制作用,在ReLU函数之前选取用于提取目标特征的卷积层;然后,在提取的多层特征上分别构建基于核相关滤波的位置滤波器,并对得到的多个响应图进行加权融合,选取响应值最大的点即为目标中心位置.目标位置确定后,对目标进行多个尺度采样,分别提取不同尺度图像的方向梯度直方图（fHOG）特征,在此基础上构建尺度相关滤波器,从而实现对目标尺度的准确估计.在视频集OTB100中与其他6种相关算法进行了比较,实验结果表明,所提算法取得了较高的跟踪成功率和精确度,能够较好地适应目标的尺度变化、背景干扰等复杂场景.     

一种改进的残差网络手势识别方法

为了提高手势识别的准确性、鲁棒性以及收敛速度,提出一种基于改进残差网络和动态调整学习率的手势识别方法研究.改进原始残差块中的ReLU激活函数,通过降低改进后残差块与卷积核的数量来减少卷积层参数;对改进后的残差网络模型进行动态学习率的调节和动量的优化选择;将重建好的网络模型进行训练测试,验证手势识别的准确率.实验结果表明...     

基于相关滤波的目标跟踪方法

精度和速度一直是跟踪领域的矛盾。相比而言,基于深度学习方法的模型精度更好,但基于相关滤波(可以用FFT加速)的模型速度快很多。算法KCF、DSST、Staple、SiamFC、ECO、CCOT等在VOT2016数据库上的跟踪性能对比结果显示,在跟踪准确率这方面,深度学习优于相关滤波跟踪算法,而在鲁棒性方面,相关滤波算法则占有优势,且其速度也一直领先。将深度卷积特征和相关滤波相结合,可以兼顾两者的优势,使相应算法表现出更好性能。未来应着重考虑发挥CNN在目标跟踪领域的作用,以其同时提高算法的实时性和训练的便捷性。跟踪和检测是分不开的,跟踪能够保证速度上的需要,而检测能够有效地修正跟踪的累计误差。不同的应用场合对跟踪的成功率、准确度和鲁棒性要求也不一样,达到实际的跟踪要求仍然需要更好的算法实现。     

融合ELM和相关滤波的鲁棒性目标跟踪算法

为解决目前主流相关滤波跟踪方法中跟踪结果容易陷入局部最优值以及因引入深度学习带来的特征提取过程过慢的问题,提出一种融合极限学习机和相关滤波器的鲁棒性目标跟踪算法。该算法在C-COT算法的基础上对其特征提取方式和置信图的寻优方法进行改善。首先,利用多层稀疏自编码极限学习机技术,设计新的特征提取模型,以代替原来的卷积神经网络,可快速且高效地提取图像特征;其次,在特征提取模型之后,添加在线序列极限学习机,构建目标粗糙位置估计模型,采用多峰检测方法初步求得目标的预测位置;第三,根据初步的目标预测位置确定置信图的搜索区域,避免跟踪结果陷入局部最优值;最后,在3个目标跟踪标准数据集上验证新算法的有效性。实验结果表明,新算法的跟踪速度是C-COT算法的12.9倍,且对遮挡、运动模糊以及相似目标等有较强的鲁棒性,可有效地提高跟踪精度和速度。     

基于残差网络与特征融合的改进YOLO目标检测算法研究

以深度学习为基础的YOLO目标检测技术因检测速度快，而广泛应用于实时目标检测领域中，但其检测准确率不高，尤其是对小物体的检测能力较差。针对上述问题，本文提出一种改进模型——R-YOLO。该模型将残差单元引入YOLO目标检测，既可以通过增加网络的深度，提高网络的准确性，又可以利用残差网络的快捷连接方式，以保证检测的实时性。同时结合CBNet结构，增强语义信息，进一步提高R-YOLO的准确性。最后在改进的YOLO模型中通过特征金字塔融合，结合不同阶段卷积层输出的特征信息，使得融合后的特征图同时具有深层次的语义信息和浅层次的位置信息，以提高对小物体的检测准确性。在Pascal数据集上的实验显示R-YOLO在准确率上较YOLO提高了7.6个百分点，对小物体的检测结果更准确。结果表明，残差单元和特征金字塔融合的引入有效改进了YOLO网络模型的检测性能。     

基于多示例学习的目标跟踪算法

为提高运动目标跟踪算法的鲁棒性,提出一种基于多示例学习(MIL)框架的跟踪算法。该算法利用类Haar特征构建若干弱分类器,然后级联为多示例学习强分类器,根据目标在视频前一帧中的位置,依据最大熵原理,在当前帧中找出目标可能出现的范围,并利用该强分类器确定其最有可能出现的位置,作为跟踪结果,并且将该位置不同邻域内的图像分别作为正包和负包去更新多示例学习强分类器。实验结果表明,该算法对于运动目标外观有显著变化的情况具有较好的鲁棒性和实时性。     

基于SSD的棋子检测算法研究

准确的目标检测算法是人工智能的一个重要部分,在安防、智能机器人、自动驾驶等领域有重要应用。传统的目标检测方法适应性较差、准确度不高。随着深度学习算法的发展,以深度学习为基础的目标检测算法相对于传统算法有巨大提升。部分检测框架在速度和精度上有了很大突破。对于简单目标棋子的识别上,由于目标单一、目标间差别小、目标数据容易重复、容易使算法出现过拟合的问题。通过深度更深的残差网络提取图像深层信息以强化对目标的识别能力,同时通过标签映射实现单目标到多目标的转换,最终目标识别置信度几乎稳定在99%。通过使用层间融合、网络剪枝等技术优化了网络结构,然后使用权重量化压缩神经网络模型的权重。优化后的网络准确度几乎不变但是计算效率更高并能普通CPU上实现快速推理。     

联合损失下深度可分离残差网络的表情识别算法

为了增强神经网络特征提取能力进一步提高人脸表情识别准确率，提出了一种联合损失下深度可分离残差网络模型DSResNet-JLoss(deeply separable residual network under joint loss),该网络是基于深度可分离卷积与残差学习方法的轻量级网络模型。使用逐通道卷积和逐点卷积的方法取代常规卷积运算，解决了传统卷积神经网络参数冗余大，训练时间长收敛慢，且易过拟合的问题。并在网络中加入残差单元，使用shortcut连接，通过恒等映射，来解决因网络模型层数过多导致的梯度爆炸或衰减问题。提出联合损失函数，充分结合了交叉熵损失，中心损失和对比损失的优点，以减小表情特征的类内距离，增大类间距离。实验表明，该模型在FERPlus和RAF-DB两个公开数据集上均取得较好的成绩，表现出良好的泛化能力和鲁棒性。     

深度神经网络在滚动轴承故障诊断中的应用

为了对滚动轴承发生的故障类型进行诊断,从而提升设备的安全性,提出了一种基于深度残差神经网络的智能故障诊断方法,并使用多传感器融合技术对深度残差神经网络进行了改进,使得诊断模型的识别精度和鲁棒性得到进一步提高.首先,通过多传感器技术来获取丰富的设备运行状态信息,然后利用时频分析方法短时傅里叶变换提取原始振动信号的初级特征信息,最后利用深度残差网络的强大学习能力,进一步提取初级特征信息中的高级特征信息,并识别设备的故障类型,从而实现滚动轴承的故障诊断.为了验证所提出方法的有效性,使用滚动轴承实验数据对方法进行了测试,同时与基于深度卷积神经网络和单传感器故障诊断模型进行对比,研究结果表明,提出的智能方法不仅能对故障进行准确识别,而且具有相当良好的泛化能力和抗噪能力,其故障精度达到了100%,在单传感器或多传感器受到强噪声干扰时,分别实现诊断精度至少为93.78%和82.54%.     

基于校正神经网络的视频追踪算法

针对现有基于深度学习的视频追踪算法关注深层特征而忽略浅层特征以及追踪网络没有对每帧追踪结果进行检测的问题,提出基于校正神经网络的视频追踪算法。该算法包含追踪网络和校正网络。在追踪网络中,考虑到深层特征和浅层边缘特征的融合,设计一个多输入的残差网络,学习目标和对应的高斯响应图之间的关系,从而获得目标对象的位置信息。在校正网络中,设计浅层链式判别网络,将两个网络的追踪结果进行比较,根据比较结果对追踪网络进行在线更新。本算法既考虑了深层特征,又避免了细节信息的丢失;同时,对追踪结果进行评判,防止网络更新中延续错误信息。对比试验说明本研究所提的追踪算法比现有的一些追踪方法取得更好的追踪结果。     

多尺度残差网络模型的开放式电阻抗成像算法

针对开放式电阻抗成像（OEIT）的图像重建算法存在的成像精度低、对噪声敏感、重建图像伪影面积较大等问题,提出基于多尺度残差网络模型的OEIT算法.该算法利用不同尺寸卷积核的残差块提取边界电压的多尺度特征;在完成特征拼接后,利用卷积实现深层信息融合,得到预测的电导率分布结果.使用有限元法搭建OEIT正问题模型,构造“边界电压-电导率分布”数据集,将所提算法与其他算法在该数据集和实际模型实验中进行比较.结果表明,所提算法使OEIT的重建精度、抗噪能力和定位目标准确性显著提高,并使检测目标的伪影面积缩小.     

基于模糊逻辑的多特征融合的粒子滤波跟踪算法

传统粒子滤波跟踪方法采用单一的特征信息,存在跟踪精度低、鲁棒性弱的缺点,为此本文提出了一种基于模糊逻辑的融合颜色和局部二值模式(LBP)的粒子滤波跟踪方法,提高了目标跟踪的精度。首先,提取出能够表征目标的局部二值模式和基于核函数的加权颜色直方图两种信息;然后,利用模糊逻辑的方法对两种特征进行有效的自适应融合。大量试验表明本文算法在复杂环境下能够进行有效的跟踪,具有较强的鲁棒性和准确性。     

自动驾驶路径优化的RF-DDPG车辆控制算法研究

针对自动驾驶车辆在行使中对目标路径跟踪精度不高、鲁棒性能较差等问题，提出了一种深度确定性策略梯度RF-DDPG（reward function-deep deterministic policy gradient）路径跟踪算法。该算法是在深度强化学习DDPG的基础上，设计DDPG算法的奖励函数，以此优化DDPG的参数，达到所需跟踪精度及稳定性。并且采用aopllo自动驾驶仿真平台，对原始的DDPG算法和改进的RF-DDPG路径跟踪控制算法进行了仿真实验。研究结果表明，所提出的RF-DDPG算法在路径跟踪精度以及鲁棒性能等方面均优于DDPG算法。     

利用判别字典学习的视觉跟踪方法

针对复杂背景及遮挡等引起目标跟踪性能显著下降的问题,提出一种目标跟踪方法。该方法首先根据目标时空局部相关性获取目标及背景样本。而后建立字典学习模型:基于误差项捕获遮挡等产生的异常值,利用极大极小凹加函数惩罚稀疏编码及误差矩阵,且对字典施加不一致约束项以提高字典的鲁棒性和判别性。针对所构建的非凸字典学习优化问题,利用优化最小化方法对其求解以获得较好的收敛性。最后,由所得判别字典计算候选目标的重构误差以构建目标观测模型,并基于贝叶斯推理框架实现目标精确跟踪。仿真结果表明,与现有主流算法相比,所提方法在复杂环境下可显著地提高目标跟踪的精度及鲁棒性。     

Robust Visual Tracking with Hierarchical Deep Features Weighted Fusion

To solve the problem of low robustness of trackers under significant appearance changes in complex background, a novel moving target tracking method based on hierarchical deep features weighted fusion and correlation filter is proposed. Firstly, multi-layer features are extracted by a deep model pre-trained on massive object recognition datasets. The linearly separable features of Relu3-1, Relu4-1 and Relu5-4 layers from VGG-Net-19 are especially suitable for target tracking. Then, correlation filters over hierarchical convolutional features are learned to generate their correlation response maps. Finally, a novel approach of weight adjustment is presented to fuse response maps. The maximum value of the final response map is just the location of the target. Extensive experiments on the object tracking benchmark datasets demonstrate the high robustness and recognition precision compared with several state-of-the-art trackers under the different conditions.     

基于特征优化与深层次融合的目标检测算法

针对单阶段多边框检测算法(SSD)存在对小目标检测误差较大的问题,提出基于特征优化与深层次融合的目标检测算法,通过空间通道特征增强(SCFE)模块和深层次特征金字塔网络(DFPN)改进SSD. SCFE模块基于局部空间特征增强和全局通道特征增强机制优化特征层,注重特征层的细节信息;DFPN基于残差空间通道增强模块改进特征金字塔网络,使不同尺度特征层进行深层次特征融合,提升目标检测精度.在训练阶段添加样本加权训练策略,使网络注重训练定位良好的样本和置信度高的样本.实验结果表明,在PASCAL VOC数据集上,所提算法在保证速度的同时检测精度由SSD的77.2%提升至79.7%;在COCO数据集上,所提算法的检测精度由SSD的25.6%提升至30.1%,对小目标的检测精度由SSD的6.8%提升至13.3%.