基于深度学习的视频跟踪研究进展综述

近年来深度学习迅猛发展，颠覆了语音识别、图像分类、文本理解等领域的算法设计思路。深度学习因其具备强大的特征提取能力，在图像识别领域的成绩尤为突出。然而深度学习与视频监控领域的结合并不多，由于深度模型具有多层网络结构，算法复杂度大，训练和更新模型时比较耗时，很难满足实时性要求。回顾了深度学习的发展史，介绍了最近10年来国内外深度学习主要模型，论述了基于深度学习的目标跟踪算法，指出了各算法的优缺点，最后对当前该领域存在的问题和发展前景进行了总结和展望。     

视频侦查中人像智能分析应用及算法优化

人像智能分析指的是对视频或录像中的人像进行结构化和可视化分析,对目标人物进行性别、年龄、发型等特征的智能识别,这项技术在视频侦查中有极高的应用价值。人像识别早期的算法是通过人工提取特征,通过学习低级视觉特征来针对不同属性进行分类学习,这种基于传统方法的模型表现常常不尽如人意。在计算机视觉领域,通过海量图像数据学习的神经网络比传统方法有更丰富的信息量和特征可以被提取。文章尝试通过深度学习技术训练神经网络模型对行人进行检测和识别,对于衣着不同的行人进行智能识别,具有更好的鲁棒性,提升了视频人像识别的准确率,拓展了人工智能技术在身份识别领域的应用。     

空气预热器实时监控系统堵塞可视化性能研究

针对电站锅炉回转式空气预热器运行时上下表面不可见的问题，本文提出了一种视频监控与故障分析系统，可直接监测转子表面情况。该系统通过视频监控获取图像，结合改进的Retinex算法对其进行处理，实现了以下2个功能:1）能分析积灰程度以判断转子堵塞 情况；2）与温度场融合实时显示转子表面热点分布以预防二次燃烧。该系统已应用于某600 MW机组，实现了在热态环境下对空气预热器转子积灰程度、热点分布、堵塞程度的估算与可视化，大大提高了空气预热器运行的可靠性。     

YOLOv2在煤岩智能识别与定位中的应用研究

综采工作面煤层走向复杂，采用“一刀切”的开采方法会加速滚轮截齿的磨损，同时开采效率也大幅降低，对煤岩的精准识别是解决此类问题、实现智能开采的关键。将基于回归方程的深度学习目标检测算法YOLOv2与线性成像模型相结合并通过该算法对井下采集煤岩图像进行了智能识别与定位，同时与Faster R-CNN，SSD对煤岩图像的识别结果进行了对比。结果显示YOLOv2对煤岩的识别精度达到了78%，检测速度达到了63 frame/s，与Faster R-CNN，SSD相比精度高出7.7%，4.7%，而检测速度高出763%，40%；在矿井测量坐标系中YOLOv2标定的煤层边界框角点的计算坐标与实测坐标相比相对误差在3.0%～4.5%之间，相对误差较小，不会对采煤效率产生影响。研究结果表明，YOLOv2可以对煤岩进行准确快速的识别。     

基于小样本下统计不确定性的边坡可靠度Bootstrap-BC_a方法

传统方法对小样本下的岩土抗剪强度参数估计区间较宽,会导致工程设计偏于保守,为此,提出一种考虑测量数据统计不确定性的边坡可靠度分析Bootstrap-BC_a法。该方法在Bootstrap的基础上加入偏差修正量■和加速量a,进一步校正了置信区间的端点值,提高了估计精度。在保证样本容量和变异性一致的条件下,对比分析Bootstrap-BC_a法和Bootstrap法在95%置信水平下的置信区间以及相对应的安全系数估计值。结果表明:Bootstrap-BC_a法能够有效收窄区间宽度且保证率下限值更趋近实际值;Bootstrap-BC_a法计算所得边坡安全系数均值相对较大,离散型更小,且与样本容量成正比,与安全系数方差成反比;3种变异水平的安全系数均值都随着样本容量n的增大而增大,而安全系数方差则逐渐减小,且大变异水平下计算所得安全系数均值更大。     

一种改进的新三步搜索算法

在对三步法工作原理进行研究的基础上提出了新三步搜索算法（NITSS）。该方法充分利用视频序列运动矢量概率分布上的中心偏置特性．在三步搜索算法的基础上引入了十字型分布的4个点构成搜索点群。实验结果表明。新三步搜索算法解决了三步法的小运动估计效果较差问题．提高了搜索精度，保持了三步法的高效率。     

噪声协方差估计在惯性导航系统误差模型中的仿真研究

在系统常值误差未知的情况下对线性时变随机系统误差协方差进行估计的新方法。该方法通过构造一个新的时间序列，其协方差由未知参数的线性组合组成，然后用递推最小二乘法来计算新序列的协方差，该方法并不需要任何关于噪声的先验知识。从仿真结果来看达到了满意的效果。