基于堆栈式消噪自编码机的分块目标跟踪

在视觉目标跟踪系统中, 特征的表达和提取是重要的组成部分. 本文提出基于多个自编码机网络相联合的特征提取机, 通过对输入数据进行一定程度的重组, 采用深度学习的理论对其局部特征进行描述并对结果进行联合决策. 结合该网络结构, 本文提出一种融合局部特征的深度信息进行目标跟踪的算法. 将输入图像分块使得大量的乘法运算转化为加法和乘法的混合运算, 相对于全局的特征表达, 大幅降低了运算复杂度. 在跟踪过程中, 目标候选区的各分块权重能够根据相应网络的置信度进行自适应的调整, 提升了跟踪器对光照变化、目标姿态和遮挡的适应. 实验表明, 该跟踪算法在鲁棒性和跟踪速度上表现优秀.     

基于量子遗传算法的视觉目标跟踪

针对视觉目标跟踪中传统搜索方法效率不高、难以求取全局最优等问题,利用量子遗传算法的全局寻优能力,提出了一种采用量子遗传算法作为搜索策略的视觉跟踪方法.在量子遗传算法的框架下,将像素点位置作为种群中的个体,提取颜色直方图作为特征,以相似性度量作为目标函数计算个体适应度值,找出相似度最大的像素点位置输出,最终完成跟踪.实验结果表明,本文方法在目标速度快、遮挡和非刚性形变等情况下具有明显优势,且算法运算量小,跟踪速度快.     

改进的基于多比特识别的射频识别标签防碰撞算法

针对现有射频识别(RFID)防碰撞算法存在的通信开支较大问题,提出一种改进的多比特识别算法.该算法在不降低原有算法识别效率的情况下,采用帧时隙的结构,避免了查询前缀的重复发送;同时,通过对碰撞比特进行定位,仅恢复碰撞比特的方法从而进一步减少了算法的通信开支.仿真结果表明,相比基于多比特识别的防碰撞算法,该算法在标签端和总通信开支方面均有所降低,其中总的通信开支最大降低20%.