行人多目标跟踪算法

针对多目标跟踪中因目标遮挡而导致跟踪过程中身份交换频繁的问题, 提出一种行人多目标跟踪算法. 该算法首先使用YOLOv4作为检测器, 检测出目标并确定检测框坐标, 利用扩展Kalman滤波器对轨迹进行预测; 然后用匈牙利算法作为数据关联模块, 采用级联匹配方法将扩展Kalman滤波预测的检测框与目标检测的检测框进行匹配, 并将发生遮挡的目标加入轨迹异常修正算法; 最后在数据集MOT16的测试集上进行实验. 实验结果表明, 该算法取得了56.5%的跟踪准确度, 且对遮挡现象效果良好, 有效改进了对目标遮挡身份频繁切换以及遮挡引起的目标丢失的问题.     

基于改进YOLOv5的道路车辆跟踪算法

针对现有多目标跟踪算法参数量和计算量大,难以满足移动设备实时性要求的问题,本文通过改进JDE跟踪算法,提出了一种道路车辆多目标跟踪算法。首先,设计关联融合网络来解决JDE算法中多任务学习存在的竞争问题,提高算法的跟踪精度,减少身份切换次数;其次,使用改进的EfficientNetv2重新构建YOLOv5的特征提取网络,降低模型复杂度,提高模型实时检测速度;最后,使用改进的YOLOv5检测算法与JDE跟踪算法结合,实现道路车辆多目标跟踪。实验结果表明,提出的方法相比原JDE跟踪算法,MOTA提高0.3个百分点、跟踪速度提高约43.2%,可以满足实际自动驾驶场景中对车辆跟踪的速度要求。     

基于改进YOLOv5的道路车辆跟踪算法

针对现有多目标跟踪算法参数量和计算量大,难以满足移动设备实时性要求的问题,本文通过改进JDE跟踪算法,提出了一种道路车辆多目标跟踪算法。首先,设计关联融合网络来解决JDE算法中多任务学习存在的竞争问题,提高算法的跟踪精度,减少身份切换次数;其次,使用改进的EfficientNetv2重新构建YOLOv5的特征提取网络,降低模型复杂度,提高模型实时检测速度;最后,使用改进的YOLOv5检测算法与JDE跟踪算法结合,实现道路车辆多目标跟踪。实验结果表明,提出的方法相比原JDE跟踪算法,MOTA提高0.3个百分点、跟踪速度提高约43.2%,可以满足实际自动驾驶场景中对车辆跟踪的速度要求。     

基于CRF模型和标签代价的群组多目标跟踪算法

目标身份切换现象在目前的视频多目标跟踪算法中普遍存在,特别是在遮挡严重的场景中.针对这一问题,提出一种结合了CRF(condition random field)模型和标签代价函数的多目标跟踪算法.该算法将多目标跟踪问题转化为求解统一能量函数的最小解问题;同时,将目标的群组状态融合到跟踪器中,减少了目标发生身份切换的概率,提高了算法的鲁棒性.在多个公共数据集中对该算法进行仿真,实验结果显示,在多个性能指标特别是目标发生身份切换次数指标中,该算法优于目前主流的跟踪算法.     

一种Anchor-Free的联合模型车辆多目标跟踪算法马利陈诗煊牛斌

针对现有车辆跟踪算法不能很好地平衡效率与精度,存在较多ID切换、误检的问题,提出一种Anchor-Free的联合模型车辆多目标跟踪算法,通过把Anchor-Free可变卷积深度特征融合网络引入联合模型,在联合学习车辆目标检测和重识别特征嵌入的基础上,以轨迹关联的方式,完成车辆多目标跟踪任务.所提出的算法在UA-DETRAC车辆数据集及KITTI-tracking数据集组合成的联合数据集上进行训练和测试,结果表明,提出的车辆多目标跟踪算法有效减少了ID切换、误检问题的出现,网络结构更简单,算法运行效率更高.     

基于图像去噪和图像生成的对抗样本检测方法

针对现有对抗样本检测方法存在检测准确率低和训练收敛速度慢等问题,提出一种基于图像去噪技术和图像生成技术实现的对抗样本检测方法.该检测方法将对抗样本检测问题转换为图像分类问题,无须事先得知被攻击模型的结构和参数,仅使用图像的语义信息和分类标签信息即可判定图像是否为对抗样本.首先,采用基于swin-transformer和vision-transformer实现的移动窗口式掩码自编码器去除图像中的对抗性噪声,还原图像的语义信息.然后,使用基于带有梯度惩罚的条件生成式对抗网络实现的图像生成部分根据图像分类标签信息生成图像.最后,将前两阶段输出的图像输入卷积神经网络进行分类,通过对比完成去噪的图像和生成图像的分类结果一致性判定检测图像是否为对抗样本.在MNIST、GTSRB和CIAFAR-10数据集上的实验结果表明,相比于传统检测方法,本文提出的对抗样本检测方法的平均检测准确率提高6%~36%,F1分数提高6%~37%,训练收敛耗时缩减27%~83%,存在一定优势.     

HCGAN:一种基于GAN的高容量信息隐藏算法

针对现有信息隐藏算法存在隐写容量低、信息提取困难以及安全性差等问题,本文提出了一种基于生成对抗网络的高容量信息隐藏算法（High Capacity Information Hiding Algorithm Based on GAN,HCGAN）.在秘密信息嵌入方面,使用基于Im-Residual结构的编码器将秘密信息嵌入载体图像中,避免了秘密信息嵌入时由卷积层提取特征导致的信息损失.在秘密信息提取方面,使用基于稠密结构的解码器从含秘图像中提取出秘密信息,利用特征复用来增加秘密信息的提取率.在抗隐写分析方面,利用基于隐写分析的鉴别器与基于Im-Residual结构的编码器进行对抗训练,以提高含秘图像的抗隐写分析能力.实验表明,经过对抗训练后,HCGAN在2 bpp嵌入率下比WOW和S-UNIWARD在0.4 bpp嵌入率下具有更低的隐写分析检测率.     

基于ORB特征点匹配的多目标跟踪算法

视频中的多目标跟踪是计算机视觉领域的一个重要问题.针对多目标跟踪过程中由于目标缩放、旋转、扭曲以及遮挡等问题的存在导致目标易丢失的问题,提出了一种基于ORB特征点的多目标跟踪算法.首先利用"运动边缘生长"算法得到目标块,再利用目标块的ORB特征与特征模板的匹配来实现目标的关联.通过匹配过程,目标模板能够得到实时更新,即去除由噪声带来的过时的特征信息并添加进新的特征信息,保证特征模板的实时有效性,进而提高跟踪过程中匹配的可靠性.实验结果表明,本算法能够实时有效地处理目标由于形变以及局部遮挡而导致跟踪性能下降甚至跟踪目标丢失的问题,具有较好的鲁棒性.     

基于边缘增强生成对抗网络的人脸超分辨率重建

针对对抗生成神经网络在人脸轮廓细节恢复上不够完善的问题,利用人脸图像的结构先验信息提出了一种边缘增强的生成对抗网络人脸超分辨率的重建算法.首先,利用人脸图像及其边缘图像的一致性关系设计一种并行网络提取面部和边缘细节特征;然后,通过特征融合网络获得高分辨率的生成图像;最后,利用判别网络判别生成图像的真伪.在人脸图像数据库上进行的人脸超分辨率重建实验结果表明:提出的边缘增强生成对抗网络能够提升面部细节重建能力,主观和客观评价指标均优于现有的人脸超分辨率算法.     

基于FF R-CNN钢材表面缺陷检测算法

针对深度学习算法检测钢材表面缺陷时,结构信息减少导致检测精度低的问题,提出一种特征融合和级联检测网络的Faster R-CNN钢材表面缺陷检测算法。首先利用主干网络提取特征图,通过融合特征图的方式,达到减少结构信息丢失的目的;进一步将生成的特征图输入RPN网络生成区域建议框;最后利用检测网络对区域建议框进行分类与回归,通过级联2个检测网络,实现精确检测结果的目标。对模型进行对比性实验分析,找出检测精度最优的算法模型。在NEU-DET数据集上对提出的算法进行了检验,主干网络采用VGG-16比采用Resnet-50的检测精度提高了2.40%;通过融合特征,检测精度提高了11.86%;通过检测网络的级联,检测精度提高了2.37%.通过对算法模型的不断改进和优化,检测精度达到了98.29%.与传统的钢材表面检测方法相比,改进算法能够更准确地检测出钢材表面缺陷的种类和位置,提升对钢材表面缺陷的检测精度。     

一种多目标检测跟踪算法研究

针对多目标跟踪领域中现有研究方法存在的实时性差、易漂移等问题,基于YOLOv3算法和KCF算法,提出了一种多目标检测跟踪算法.首先,利用训练好的YOLOv3网络获取视频中目标的位置,并对各个目标进行ID分配;其次,将多个目标并行输入到基于核相关滤波的跟踪模块进行目标跟踪;然后,判断是否满足启动修正策略的条件,若满足则用...     

基于马尔科夫决策过程的多目标跟踪算法

目前,多目标跟踪算法仍面临诸多挑战,例如遮挡、快速运动等所造成的影响难以完全规避.为了解决上述问题,提出一种基于马尔科夫决策过程的多目标跟踪算法.该算法将每个目标建模成一个马尔科夫决策过程,通过最大化奖励函数来驱动状态间的转移,并将强化学习训练用于数据关联相似度函数,有效地解决了目标遮挡问题.同时,为了解决物体快速运动...     

基于模型动态切换的运动目标实时跟踪

针对视频监控系统中运动目标的跟踪问题,提出了一种基于模型动态切换的实时跟踪方法.在运动目标分割之后,跟踪系统有效判定运动目标的遮挡状态,对未遮挡的运动对象采用基于区域的跟踪模型,对于相互重叠的运动对象采用基于SIFT特征的窄基线图像匹配模型.基于区域的跟踪模型采用简单的目标区域特征以及运动预测属性,实现快速地跟踪.基于SIFT特征的图像匹配模型利用被跟踪目标在相邻图像帧之间很小的尺度和外形变化以及基于目标区域位置预测出的有限运动范围,实现快速的窄基线小范围SIFT特征匹配和跟踪.实验结果表明,该方法具有较强的鲁棒性,能有效实现复杂遮挡场景下的多目标实时跟踪.     

基于HSV颜色特征的多目标视频检测与跟踪算法

针对跟踪多个运动目标交错运动时容易丢失目标的问题,提出了一种基于HSV颜色空间去识别与跟踪不同颜色目标的算法,对光照具有一定的鲁棒性。通过颜色空间转换提取目标原始二值图像,经中值和高斯滤波后,通过亮度检测判断是否对滤波后二值图像进行形态学膨胀;之后对较为精确的目标二值图像进行边缘检测,得到其最小包围矩形框,逐帧检测后绘制各颜色目标对应的运动轨迹,完成多目标的视频跟踪。对比经典Cam-Shift算法,实验表明,在多个目标具有不同颜色特征时,有效解决了视频跟踪中多目标交错运动丢失目标,且对光照敏感的问题,跟踪精度较高。     

基于生成对抗网络的肺结节良恶性诊断算法

针对实性肺结节CT影像数据量少、人工标注耗时耗力等问题,提出一种结合生成对抗网络和集成学习的实性肺结节良恶性计算机辅助诊断方法.首先,使用基于梯度惩罚的生成对抗网络对肺结节CT影像数据集进行扩充,缓解由数据量少、样本类别不均衡导致的模型过拟合.然后,利用卷积神经网络进行CT影像特征提取,并通过主成分分析对深度特征进行降维.最后,联合CT图像特征和有效临床信息,采用集成学习方法构建分类模型预测实性肺结节良恶性.基于多中心临床数据分析表明,相比于传统卷积神经网络模型,所提出方法有更好的预测性能.     

三联神经网络与区域自适应策略融合的目标跟踪方法

为解决目标跟踪过程中快速运动模糊、背景相似干扰、目标状态变化等问题，基于孪生网络跟踪算法，提出三联区域候选神经网络（TripleRPN）算法与跟踪区域自适应策略（TAA）相融合的目标跟踪方法（TAA+TripleRPN）.三联区域候选神经网络根据当前跟踪结果实时更新网络匹配模板，提高了跟踪器对目标状态变化的敏感性.通过区域自适应策略，根据区域候选回归网络分类分支的得分在网络的两组输出间择优选择，提高算法长时跟踪的鲁棒性.针对背景相似干扰和目标状态变化的问题时，TAA+TripleRPN跟踪器能达到更好的跟踪性能.在OTB2015数据集上，算法的AUC达到66.31%，CLE达到88.28%.在实际场景中实现验证与应用，跟踪效果良好.      

基于目标检测和图割的多目标跟踪算法

多目标跟踪是智能视频监控中的一个具有挑战性的问题.提出了一种基于运动目标检测和图割理论的多目标跟踪算法.首先,利用码本模型对背景建模,检测运动目标.然后,令一个标签对应一个目标,建立能量方程,把多目标跟踪问题转化为能量最小化的组合优化问题.最后,构造网络图,利用最大流-最小割算法寻找最优解.实验结果表明,所提算法能够处理新目标的进入和原有目标的离开,对多目标之间的遮挡具有较强的鲁棒性.     

基于生成式对抗网络的字体风格迁移方法

针对风格多样的中文字体设计和复杂操作的问题,提出一种生成式对抗网络的汉字风格迁移和字库设计方法。将宋体与黑体作为测试数据集,将瑞虎宋体作为目标数据集,通过生成式对抗网络对抗训练方法,使宋体与黑体字风格转换为瑞虎宋体风格。通过实验生成的字体图像轮廓更加平滑和美观,表明本文提出的方法能够显著提高对字形设计的工作效率。     

一种轻量级分布式Cell多目标跟踪算法

为了研发更有效的基于无线传感器网络(WSN)的多目标跟踪系统,在虚拟网格分层模型(VGA)和负载平衡树(LBA)的基础上,提出一种轻量级分布式Cell跟踪算法:每个目标拥有自己的跟踪Cell,当目标逃离当前Cell时,按目标航迹选出下一任Cell.多个Cell能分布式地对多目标进行同时跟踪,分为不交叉目标、跟踪Cell部分重叠目标和跟踪Cell完全重叠目标来进行讨论.实验模拟了多个目标的运动,结果表明该跟踪算法能及时有效地进行多目标跟踪.     

多特征融合的视频目标深度跟踪

针对现有基于卷积神经网络跟踪中需要大量离线训练以及在线更新耗时的问题,提出了一种多特征融合的视频目标卷积跟踪算法。算法首先设计了一种浅层前向自学习卷积网络提取目标候选区域的局部卷积特征;然后计算融合了空间信息的颜色直方图特征;在此基础上,采用归一化加权方法在全连接层融合卷积特征和全局颜色特征形成目标的表观描述;最后基于粒子滤波算法,通过计算目标模板与候选目标之间的相似度,估计目标位置。采用OTB-2013公开测试集验证所提跟踪算法的性能,与8种主流目标跟踪算法进行了分析对比。实验结果表明,本文算法的目标跟踪精度和跟踪成功率在多种场景下取得了不错的性能,在保证跟踪精确率的前提下,跟踪鲁棒性优于其他算法。可见提出的多特征融合的卷积跟踪算法通过提取所跟踪视频的自身特征生成卷积器而无需进行大量离线训练,且与手动特征进行融合增强了目标的表达能力,这种策略具有一定的借鉴性。