融合相关粒子滤波目标跟踪算法

相关滤波算法因其优越的高效性和鲁棒性被广泛应用于目标跟踪领域,但是该算法无法很好地处理目标遮挡和尺度变化等问题。针对该现象,提出了一种融合相关粒子滤波目标跟踪算法,该算法采用多个相关滤波器,学习到更多目标信息和背景信息,提高了目标与背景辨识度,并且引进了粒子滤波随机采样策略,在目标离开遮挡物时能够快速捕捉到目标。在尺度估计中引入了多尺度因子,对定位到的目标进行多尺度缩放,选用与滤波器响应值最大区域对应的尺度因子作为缩放比例,从而对目标进行尺度更新;粒子滤波算法随着粒子数目的增加,其计算量也随着增加,针对该问题,提出了基于粒子繁衍的重采样算法,在跟踪效率上做了提升。对提出的算法进行了三部分对比实验,实验结果验证了提出算法在处理目标遮挡和尺度变化问题上的有效性。     

融合GIoU和Focal loss的YOLOv3目标检测算法

YOLOv3目标检测算法检测速度快且精度较高,但存在对小目标检测能力不足、边界框定位不准确等问题。提出了一种基于YOLOv3改进的目标检测算法,该算法在YOLOv3的基础上,对网络中的残差块增加旁路连接,进一步进行特征重用,以提取更多的特征信息。同时,采用GIoUloss作为边界框的损失,使网络朝着预测框与真实框重叠度较高的方向去优化。在损失函数中加入Focal loss,减小正负样本不平衡带来的误差。在PASCAL VOC和COCO数据集上的实验结果表明,该算法能够在不影响YOLOv3算法实时性的前提下,提高目标检测的mAP。该算法在PASCAL VOC 2007测试集上达到83.7mAP（IoU=0.5）,在COCO测试集上比YOLOv3算法提升2.27mAP（IoU[0.5,0.95]）。     

粗糙集在神经网络结构优化中的应用研究

针对神经网络存在的网络冗余性较大的问题,提出一种基于粗糙集的神经网络优化方法.该方法将粗糙集理论和神经网络有机地结合在一起,利用粗糙集理论在知识获取方面具有智能的特点,对神经网络的数据进行预处理,从大量的原始数据中提取精简的规则,从而确定神经网络中的神经元个数,简化神经网络的拓扑结构,提高系统的速度.最后通过仿真研究表明该方法能有效地改善神经网络训练时间较长的缺点.     

一种基于分类的复杂场景背景更新算法

提出了一种基于分类的背景更新算法。对现有模板进行改进,提出一种生长模板来对差分图像中的目标点和噪声点进行检测。生长模板根据像素点局部特征自动选择生长方向,从而对目标点和噪声点进行判断。利用基于像素的背景更新策略,实现了目标遮挡区域的背景更新。实验证明了生长模板的有效性,该算法可以在复杂场景下实现背景更新。     

基于多层次CNN特征融合的深度估计算法

由于在深度卷积网络中,深度估计的最终结果往往只利用到了网络的高层特征信息,对于底层特征的信息难以利用。为了解决这个问题,提出融合多层次特征的CNN(Convolutional Neural Network)深度估计方法。高层特征一般包含了图像整体的空间结构信息,而底层特征往往会包含大量的物体细节信息。网络对于底层特征的信息利用不足,造成深度估计的效果比较模糊。为了解决这一问题,采用融合多层次特征的方法,通过设定特定的网络结构,结合反卷积和池化方法,融合不同层次的CNN特征,使得网络能够同时利用底层与高层信息进行深度估计。通过在KITTI与ApolloScape数据集上的实验证明,该方法有效地提高了深度估计的精度。     

交互式的关联规则挖掘在入侵检测中的应用

在入侵检测中进行交互式的关联规则挖掘具有重要意义。对此进行了一些探讨,给出了入侵检测中的四类约束,并讨论了相关性质;给出了入侵领域中的交互式关联规则挖掘算法,并分析了算法的优越性。     

基于数据挖掘技术的入侵检测系统

在将数据挖掘技术应用到入侵检测系统中的基础上，针对网络入侵的实际特征，对传统的FP-growth关联规则算法进行了改进，并引入关键属性约束来指导频繁模式的挖掘过程。改进的FP-growth算法在挖掘规则过程中有效地降低了空间的损耗量，大大地提高了系统挖掘效率，从而指导系统挖掘出更有意义的频繁模式。     

独立软件复用技术的研究

对Windows系统下软件运行机制进行了深入的探讨,研究了以消息为驱动的系统中进程间信息交换的方法和途径,通过模拟Windows消息机制进行消息重定向,自动控制进程间信息交互,从而实现独立软件复用。最后以复用税务稽查档案系统的部分功能为例,论证了该技术的可行性。     

三角形网格球面参数化研究

针对调和映射的思想提出了一种新的零亏格的任意拓扑流形三角形网格的球面参数化方法。首先构造一个质心映射将三角形网格映射到单位球面上,接着利用球面均值迭代调整调和能量,使其向最小化方法演化,最后通过坐标转换计算得到三角形网格的球面参数。实验证明改进后的三角形网格球面参数化方法在球谐变换等图形处理中取得了很好的效果。     

引入生成对抗网络的室外场景单目深度估计

生成对抗网络（GAN）算法在室外场景的深度估计任务中准确率较低,对于物体边界判断不准确。针对该问题,提出基于循环生成对抗网络（CycleGAN）的单目深度估计算法,将单幅图像映射到深度图像的过程拆分为两个子阶段。第一阶段中,网络学习图像的基本空间特征,得到粗糙尺度下的深度图像;第二阶段在前者的基础上,通过细节上的差异对比,优化深度图像,得到精细尺度下的深度图像。为了进一步提高深度估计的精度,在损失函数中引入了L1距离,让网络可以学习像素到像素的映射关系,避免出现较大的偏差与失真。在公开的室外场景数据集Make3D上的实验结果表明,与同类型算法相比,该算法的平均相对误差、均方根误差取得更好的效果。