基于YOLOv5和重识别的行人多目标跟踪方法

针对目前遵循基于检测的多目标跟踪范式存在的不足,本文以DeepSort为基础算法展开研究,以解决跟踪过程中因遮挡导致的目标ID频繁切换的问题。首先改进外观模型,将原始的宽残差网络更换为ResNeXt网络,在主干网络上引入卷积注意力机制,构造新的行人重识别网络,使模型更关注目标关键信息,提取更有效的特征;然后采用YOLOv5作为检测算法,加入检测层使得模型适应不同尺寸的目标,并在主干网络加入坐标注意力机制,进一步提升检测模型精度。在MOT16数据集上进行多目标跟踪实验,多目标跟踪准确率达到66.2%,多目标跟踪精确率达到80.8%,并满足实时跟踪的要求。     

雷达多目标跟踪的神经网络方法

本文讨论了雷达多目标跟踪的神经网络方法。实验结果表明,此法不仅可以解决传统方法带来的组合爆炸问题,从而实现实时的多目标跟踪,而且还可以解决跟踪精度问题,提高跟踪的准确性。     

基于深度学习的车辆重识别算法综述

随着计算机视觉技术的迅速发展以及人们对于建设智慧城市的渴望,车辆重识别技术取得了不小的突破。它可以助力于搜寻救援、打击犯罪等诸多领域。深度学习及神经网络为该项任务突破传统特征的瓶颈带来了可能,而随着各种大规模数据集的提出,越来越多的学者关注到了此项任务,并成为当下的研究热点。本文对车辆重识别任务的兴起、发展及现状进行了一定的归纳总结,提出了现有技术下的一些不足,并对未来的发展做出了一些思考与预测。     

结合图像分割和ResNet18的危险驾驶行为识别

针对驾驶行为图像中背景干扰问题,文章提出了一种结合图像分割和残差网络的危险驾驶行为识别方法。首先采用GrabCut分割出图像中驾驶员所在区域;然后通过迁移学习完成基于ResNet18的识别模型;最后使用AUC数据集验证算法的有效性。实验表明:在测试集上实现了94.57%的准确率。     

基于深度学习的运动车辆与静止车辆识别

本文提出了一种基于YOLOv3算法的运动车辆与静止车辆的识别方法.其利用卷积神经网络提取运动车辆与静止车辆的特征,对网络的输出层Softmax进行修改,并通过大量实验优化权重模型参数;利用AICITY CHALLENGE数据集制作训练和检测数据库.测试结果表明,改进后的YOLOv3算法能更好地识别多种现实生活场景中的运动车辆与静止车辆,取得了95.55％的mAP与34.7 frame/s的检测速度,具有很好的检测性能与实时性;检测精度达到了98％,足够满足实用需求.     

基于双向门控循环单元的3D人体运动预测

在机器视觉领域,预测人体运动对于及时的人机交互及人员跟踪等是非常有必要的。为了改善人机交互及人员跟踪等的性能,该文提出一种基于双向门控循环单元(GRU)的编-解码器模型(EBiGRU-D)来学习3D人体运动并给出一段时间内的运动预测。EBiGRU-D是一种深递归神经网络(RNN),其中编码器是一个双向GRU (BiGRU)单元,解码器是一个单向GRU单元。BiGRU使原始数据从正反两个方向同时输入并进行编码,编成一个状态向量然后送入解码器进行解码。BiGRU将当前的输出与前后时刻的状态关联起来,使输出充分考虑了前后时刻的特征,从而使预测更加准确。在human3.6m数据集上的实验表明EBiGRU-D不仅极大地改善了3D人体运动预测的误差还大大地增加了准确预测的时间。     

基于图网络最优匹配的多目标跟踪算法

为解决多目标跟踪任务中复杂场景下因检测器漏检或频繁遮挡导致特征表达信息不足和数据关联不正确的问题.文章提出了一个双线多目标跟踪方法;使用外观与运动的多特征信息解决特征表达信息不足的问题;而数据匹配采用端到端的图网络(GNN)进行图最优匹配,并结合传统匈牙利算法优化数据关联.实验在MOT数据集上与近年来经典跟踪方法进行了...     

机载预警相控阵雷达多目标跟踪研究方法综述

多目标跟踪应用于空中预警系统，对提高预警范围、控制战场势态起着重要作用。目前，我国的多目标跟踪技术尚处在理论研究阶段，研究发展多目标跟踪技术，对于充分发挥预警机系统信息资源潜力、提高作战效能，具有重大的现实意义。作者介绍了多目标跟踪的原理，并重点阐述了机载预警相控阵雷达多目标跟踪技术的主要研究内容和方法。     

轨迹预测在红外多目标跟踪中的应用

针对红外多目标跟踪过程中的噪声、轨迹预测和轨迹交联问题,讨论了轨迹预测算法在红外多目标跟踪中的应用.首先,利用邻域轨迹预测算法剔除目标检测算法中误检的噪声点,然后运用卡尔曼滤波和最小二乘滤波的轨迹预测方法解决在跟踪过程中目标丢失的问题,及多目标轨迹出现交联时如何辨识出各个目标轨迹的问题.算法充分运用了目标运动的连续性和方向性,避免了噪声的干扰,实现了目标轨迹的预测和辨析.通过物理实验,验证了各个算法的有效性,并比较了工程应用中的优劣.实验证明:基于目标轨迹预测的算法较好地解决了红外多目标跟踪过程中的噪声、轨迹预测和交联问题.     

应用深层卷积神经网络的交通标志识别

在实际交通环境中,由于运动模糊、背景干扰、天气条件以及拍摄视角等因素,所采集的交通标志的图像质量往往不高,这就对交通标志自动识别的准确性、鲁棒性和实时性提出了很高的要求。针对这一情况,提出一种基于深层卷积神经网络的交通标志识别方法。该方法采用深层卷积神经网络的有监督学习模型,直接将采集的交通标志图像经二值化后作为输入,通过卷积和池采样的多层处理,来模拟人脑感知视觉信号的层次结构,自动地提取交通标志图像的特征,最后再利用一个全连接的网络实现交通标志的识别。实验结果表明,该方法利用卷积神经网络的深度学习能力,自动地提取交通标志的特征,避免了传统的人工特征提取,有效地提高了交通标志识别的效率,具有良好的泛化能力和适应范围。     

基于多尺度加权特征融合的行人重识别方法研究

针对目前由于行人重识别普遍存在的遮挡以及多姿态变化等原因,导致的行人重识别率低的问题,提出一种基于多尺度加权特征融合的行人重识别方法（Person Re-identification Method Based on Multi-scale Weighted Feature Fusion,MSWF）。该方法首先使用基准网络ResNeSt-50提取图像特征,获得下采样3倍、下采样4倍和下采样5倍的特征图,输入到加权特征金字塔网络中,然后使用快速归一化融合方法进行特征融合,在特征融合中引入加权操作可以让模型在训练过程中学习如何给融合特征的权重值进行分配,这样可以充分利用不同尺度的特征,获得更加丰富的行人特征。最后将融合后的富含语义信息的高层特征作为全局特征,将融合后的高分辨率特征作为局部特征。在训练过程中,联合Softmax分类损失函数、三元组损失函数和中心损失函数对模型进行训练,在测试阶段,将全局特征和局部特征沿通道维度进行拼接表示行人特征,并使用欧氏距离计算行人之间的距离。该方法在Market-1501、DukeMTMC-reID、CUHK03-Labeled和CUHK03-Detect...     

基于卷积神经网络的手写数字识别研究

随着科技的不断发展,卷积神经网络被广泛应用于各个领域之中,研究热点之一就是手写数字的识别。文章基于深度学习卷积神经网络,用MNIST数据集作为训练集和测试集,同时对卷积神经网络中的卷积层、池化层和全连接层以及激活函数进行介绍,并在Python的环境下输入手写数字图片,然后通过卷积神经网络经典模型运用到所提供的数据集进行效果识别,将卷积神经网络数据集进行训练,在训练好的卷积神经网络中取得了较好的实验效果,最终该手写数字识别实验准确精度可以达到99.1%。     

基于人工智能的运动骨骼特征识别系统设计

本设计使用灵活,易于掌握的 Pytorch 框架和深度学习库中的 OpenPose 算法来识别人体运动姿势。为了满足实际应用需求,在硬件设备的选取上,本文采用了英伟达公司的嵌入式 AI 开发板 Jetson Nano。Jetson nano 配备了 CSI 摄像头,识别图片所需要的时间仅为 0.1s,实时帧数约为 16fps,基本满足了实时检测的条件。本系统在保证精度与时延性的性能的前提下,选取更好、更方便、成本低的算法以及硬件设备,实现了运动骨骼特征识别的功能。     

基于融合运动特征和深度学习的电厂人员行为识别

电厂人员行为的准确识别与分析,对于维护电厂安全运行具有重要意义.文中使用融合运动特征的深度学习算法,建立了一套电厂工作人员的行为识别系统框架.为了提高动作识别精度、解决人体骨骼识别问题,通过引入图卷积网络建立多层时间空间融合的图卷积运算人体行为识别模型.针对单一网络检测准确率与鲁棒性低的问题,文中基于传感器网络建立了无...