结合交并比损失的孪生网络目标跟踪算法研究

SiamRPN算法采用Ln范数损失训练边界框预测，未考虑预测框与真值框间交并比(inersection over union, IoU)的关系，导致准确性不足。针对该问题，提出一种结合IoU损失的SiamRPN目标跟踪改进算法。设计了IoU-smooth L1范数联合优化模块，对候选正样本进行IoU损失与smooth L₁范数损失的联合优化；依据回归预测结果，用预测框与真值框的IoU作为权重对正样本进行加权分类预测，增加正样本间的区分度，同时确保分类预测与回归预测的关联性。对比实验结果表明：本文所提改进算法能有效提升跟踪性能。     

基于激光雷达和摄像头的FSAC赛车锥桶感知算法研究

针对赛场环境下无人驾驶方程式赛车感知系统中锥桶检测准确率较低的问题，提出了一种基于激光雷达和摄像头标定融合的锥桶检测算法。首先，对激光雷达采集的点云进行滤波、地平面滤除、欧式聚类，得到感兴趣区域内锥桶的空间位置信息；其次，通过标定后得到的摄像头的内外参矩阵将锥桶空间位置信息投影到像素平面内，并在HSV颜色空间下对锥桶空间位置周围一定区域内H通道的像素点进行颜色判断，从而获得锥桶的颜色信息；最后，将得到的锥桶颜色信息附加在锥桶的空间位置上以实现信息融合，在校园内模仿赛场环境进行实验验证。结果表明，标定融合算法能够满足赛场上不同项目的比赛要求，避免了使用单一传感器算法时出现对锥桶漏检误检的情况。因此，标定融合算法可实现对锥桶的有效检测，丰富了检测目标的信息，提高了检测锥桶的准确性，为方程式大赛中使用传感器融合进行锥桶检测提供了参考。