智能跟踪算法在采砂监管中的应用研究

受利益的驱动,长江流域非法采砂行为屡禁不止,给采砂有效监管造成很大的困扰。采砂监管水平的提高需要高效准确的跟踪识别技术作支撑。提出了一种基于相关滤波器的可变跟踪框智能算法。该算法可以准确快速地跟踪江河湖面上的非法采砂船,计算量少,鲁棒性高,对硬件的要求并不严苛,可以自由应用于从低性能到高性能的各种设备。基于该算法开发了非法采砂船追踪器,再配合百度深度学习平台Easy DL后,可构成一套采砂船监控系统,能够实现对长江水域非法采砂船24 h的有效监控,从而大大提高监控非法采砂行为的效率。     

面向多源数据融合的稀疏表示目标跟踪

传统的基于稀疏表示的目标跟踪方法主要利用目标的灰度特征构建稀疏表示模型。由于灰度特征对光照变化敏感，这会影响目标跟踪在复杂场景下的鲁棒性。基于多源数据融合的目标跟踪可以明显提升目标跟踪鲁棒性，但如何有效融合不同维度，不同类型的多源目标特征成为基于多源数据融合的目标跟踪所要解决的关键问题。提出了一个基于目标状态以及灰度特征的稀疏表示目标跟踪方法。所提出的方法可通过基于核函数表示的稀疏表示模型，在探究目标状态以及灰度特征相关性的基础上，将两种不同维度的特征进行有效融合，提升目标跟踪在复杂场景下的鲁棒性。     

车辆自组织网络中新型NP-CSMA随机多址协议研究分析

智能交通的出现使得车辆自组织网络受到越来越多的关注。车辆自组织网络的动态拓扑结构变化非常剧烈,这对网络的吞吐率、传输速率等性能提出了很高的要求。提出1种具有握手机制协议的自适应多通道双时钟NP-CSMA随机多址接入协议。该协议首先区分2种P-CSMA协议,握手机制成功解决了隐藏的终端问题,双时钟机制减少了平均空闲时间,多通道机制增加通道数量和划分用户优先级的同时提高了系统吞吐率,自适应机制能够使系统在高负载下保持稳定吞吐率。还对该协议的传输速率进行了分析,得出该协议的传输速率相对较高的结论。通过平均周期方法推导吞吐率和传输速率的计算公式,仿真结果与理论推导一致。     

基于深度学习的视频跟踪研究进展综述

近年来深度学习迅猛发展，颠覆了语音识别、图像分类、文本理解等领域的算法设计思路。深度学习因其具备强大的特征提取能力，在图像识别领域的成绩尤为突出。然而深度学习与视频监控领域的结合并不多，由于深度模型具有多层网络结构，算法复杂度大，训练和更新模型时比较耗时，很难满足实时性要求。回顾了深度学习的发展史，介绍了最近10年来国内外深度学习主要模型，论述了基于深度学习的目标跟踪算法，指出了各算法的优缺点，最后对当前该领域存在的问题和发展前景进行了总结和展望。     

视觉跟踪算法综述

视觉跟踪是计算机视觉领域的重要研究热点。文章根据基于特征的跟踪、基于主动轮廓的跟踪、基于检测的跟踪、基于Meanshift的跟踪等多个分支展开。比较了几种算法的优缺点,并介绍每种算法的适用场景。最后展望了新的跟踪算法技术的发展。