【摘 要】
：
目标跟踪是计算机视觉的一个研究子领域,其有很多的应用场景。目前单目标跟踪的研究已逐渐趋于成熟,但是对于多目标跟踪,由于其目标不确定性、遮挡、数据关联等难点,所以目前多目标跟踪还有很多需要去解决的问题,其具有巨大的发展空间和研究意义。多目标跟踪应用场景之一智能交通系统,车辆计数是其中的关键,研究该应用场景也是具有非常大的应用价值的。针对DeepSORT多目标跟踪算法存在的问题,提出了改进的Deep
论文部分内容阅读
目标跟踪是计算机视觉的一个研究子领域,其有很多的应用场景。目前单目标跟踪的研究已逐渐趋于成熟,但是对于多目标跟踪,由于其目标不确定性、遮挡、数据关联等难点,所以目前多目标跟踪还有很多需要去解决的问题,其具有巨大的发展空间和研究意义。多目标跟踪应用场景之一智能交通系统,车辆计数是其中的关键,研究该应用场景也是具有非常大的应用价值的。针对DeepSORT多目标跟踪算法存在的问题,提出了改进的Deep SORT多目标跟踪算法。该算法对Deep SORT算法的目标检测和数据关联这两部分进行改进。Deep SORT算法的目标检测部分是Faster R-CNN,Faster R-CNN是采用候选框+分类器的思想,其检测速度慢,所以将其检测部分换成一个端到端的YOLOv3目标检测模型,使检测速度加快,但是因为原始的YOLOv3算法对小目标检测效果好,却对中、大目标检测效果不如意,所以对YOLOv3算法进行改进,提出改进的K-means算法,使用新的度量准则,重新生成先验边界框,最后结果显示改进后的YOLOv3算法的平均准确率以及处理速度都要比原始的YOLOv3算法效果好;Deep SORT算法的数据关联部分是将目标的运动信息和外观信息结合,但是对于遮挡情况来说,若遮挡面积很大,此时其外观信息变化也大,若还考虑外观信息,其准确率就会降低,而此时是更依赖于卡尔曼滤波预测的运动信息,所以将静态结合运动及外观信息变成动态分配,通过动态调整外观信息和运动信息这两者之间的权重比来处理光照条件不好的情况。最后实验结果显示提出的改进的Deep SORT多目标跟踪算法可以很好地处理遮挡和各类光照条件下的情况,且其在准确率和速度上都取得了比较好的效果。对于车辆计数的应用,设计了一个车辆计数系统,UI界面实时显示选取视频跟踪结果、各类型车辆总数（小轿车、公交车、卡车、摩托车、自行车）及所有车辆总数,提出的改进Deep SORT算法在车辆计数准确率上取得了比较好的效果,同时在跟踪速度上也有所提升。
其他文献
知识图谱将现有的知识构建成大型的网络系统,是人类过往经验与智慧的结晶,如今在人工智能的各种任务中发挥着愈来愈重要的作用。知识表示学习的目的是将知识图谱中的实体和关系投影到低维的向量空间,使知识图谱能够更加便捷地应用于各种下游任务。知识图谱中,实体的文本描述信息、实体的层次类型信息和图的拓扑结构信息中隐藏着丰富的内容,是对结构化三元组的重要补充。将这些多源信息进行组合,能够帮助提高知识图谱各种任务的
当前,无人驾驶领域存在单车的传感器死角问题和短距离直接通信的距离限制等关键问题,蜂窝车联网（Cellular-Vehicle-to-Everything,C-V2X）成为解决上述问题的有效办法。联网的车辆通过接收来自互联网以及其他车辆的实时信息,能够显著提升车辆对环境的感知能力和感知范围。然而,无人驾驶车辆仍存在算力有限问题,无法满足高计算的业务要求,因此支持云计算的智能网联车解决了单车算力不足的
恐怖袭击事件的频繁发生及各类新型危险品的出现,使得人们对于火车站、机场等人流密集场所的安全检查越发重视。被动毫米波辐射成像由于具有良好的衣物穿透性,在人体安检的违禁隐匿物品的检测中具有巨大的发展前景。近年来,在自然图像领域基于深度学习的目标检测方法发展迅速,利用深度学习来实现被动毫米波辐射图像中的隐匿物检测是当前的发展趋势。深度学习的网络训练需要大量的样本数据,由于被动毫米波成像系统研发的技术难度
伴随着移动智能手机的普及,基于位置的应用服务使用越来越广泛,应用服务方收集了大量的用户移动轨迹数据,给用户带来了位置隐私泄露的风险。为了能更好地保护个人隐私,数据发布方在数据发布前通常对用户数据进行隐私保护,倾向于发布隐私保护力度较强的不含用户标识、不含时间信息并且进行了差分隐私扰动后的无时间聚合移动轨迹数据。对无时间聚合移动轨迹数据进行成员推理,判定目标用户的存在性,从而发现隐私泄露,对于进一步
随着计算机的不断发展,人们对计算机的性能提出了更高的要求,除了要有更快的处理速度之外,还要有更高的服务质量,保障系统的长期平稳运行。为了满足人们的需要,弱实时性任务被广泛地应用。弱实时任务是具有一定容错率的任务,包括感知和控制在内的许多信息物理系统应用都会有一定程度的时间容错,在不影响服务质量的情况下,允许一小部分任务执行时间超过一定期限,其中容错率是要有一定限制的,否则会失去实时任务的意义。因此
由于海量的数据流量使得在云环境内对恶意软件进行检测时,需要较高的检测效率。但是现有的恶意软件检测方法中,基于特征码的静态检测方法随着流量的增大其特征数据库规模呈几何上升,动态检测的高系统开销也难以应对大流量的检测。因此提出一种结合静态、动态检测的分步检测方式,利用机器学习分类模型实现恶意软件快速自动化检测,旨在提高云环境中恶意软件的检测效率。云环境下恶意软件快速检测方法分为四个模块:快速过滤模块、
近几年来,计算机视觉飞速发展,与之相关的应用也已经进入到人们的日常生活中。识别自然场景图像中的文本还有许多问题需要解决。自然图像中的单词通常具有不规则形状,这是由透视变形,弯曲的字符放置等引起的。在某些场景中,存在弯曲变形的文本,导致部分识别方法的识别率较低。为了提高文字识别率,我从文字识别网络的特征提取网络出发,将普通的CNN网络用ResNet网络替换,因为ResNet网络更深,解决出现网络退化
图像识别技术有着广泛的应用场景,在应对大数据时代海量数据的处理和分析时,传统的图像识别技术经常会遇到性能问题,而量子计算具有独特的性质,可以利用量子计算来解决传统算法的运算效率问题。本研究致力于利用量子计算来加速图像识别技术,由于量子计算的相关研究尚不成熟,所以主要关注了图象识别领域的一个基本任务即数字图像识别,进行量子数字图像识别的研究。现有的量子计算研究及算法通常是使用量子线路表征的,这与经典
随着计算机技术的不断发展与进步,企业利用互联网在各大招聘网站发布招聘信息,求职者结合自身情况选择对应的岗位进行应聘。企业单位日益面对数量巨大,种类繁多的电子简历文档,单依靠人工进行筛选和录入简历信息不仅效率低下,而且需要耗费大量的时间精力。因此,研究如何利用现有的计算机技术从各招聘网站进行批量下载企业需求的各类简历文档,并快速准确的自动提取出企业关注的重要信息进行结构化存储具有重要的现实意义。针对
随着无纸化阅卷技术的发展,实现全题型自动化评分过程是未来发展的趋势。现有的无纸化评分系统可实现客观题自动评分,但对于主观题仍然需要依赖人工评分来完成。而人工评分效率低,耗费大量人力物力的同时,也因阅卷者的主观情绪、认知水平不同导致评分标准不一致,从而破坏了阅卷评分公平公正的原则。虽然使用计算机进行主观题自动评分能够在一定程度上改善这些问题,但现有的系统更多的是针对于非作文类题型,对于主观题细分题型