基于响应值判断的目标跟踪ECO方法

目标跟踪(efficient convolution operator,ECO)方法因其优越的跟踪效果在各种跟踪场景中得到越来越广泛的应用,但该方法在面对遮挡、运动模糊、目标形变和背景杂乱等复杂工程实际情况时跟踪精度下降. 针对这一问题,本研究对ECO方法进行改进,加入一种相关滤波响应值判断机制,根据前几帧图像的最大响应均值和当前帧的响应峰值标准差来决定样本模型更新时机. 将改进后的ECO方法和改进前的ECO方法在相同的实验视频序列上进行对比测试,比较两种方法的跟踪效果. 在OTB2015数据集上,改进后的ECO方法的精确度达到88.0%、成功率达到79.9%,分别比改进前的ECO方法提高1.5%和1.2%,特别是面对遮挡、运动模糊和背景杂乱干扰等工程实际常见情况时跟踪效果更好,显示出改进后的ECO方法拥有更灵活的模型更新策略和更强大的适应复杂工程实际情况的能力.      

士兵目标的少样本深度学习检测方法

针对敌士兵数据集样本较少的问题,提出一种基于YOLOv3的少样本深度学习目标检测方法.利用数据增广提高少样本目标检测模型的鲁棒性,改进网络结构将浅层网络特征图跨层连接至深层网络,采用k-means聚类获取适合士兵目标特性的锚点框,利用预训练提高模型训练收敛速度.实验结果表明,本文方法对少样本敌士兵目标检测成功率mAP达到85.6%、检测精度IOU达到82.18%,且对小型和遮挡目标检测效果较好;部署在NVIDIA TITAN V GPU计算机和NVIDIA Xavier嵌入式计算平台上的检测速度分别达到54.6和26.8 fps,实时性好.      

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.