结合双金字塔特征融合与级联定位的车牌检测

为了解决复杂环境中不同因素干扰车牌检测精确度的问题,提出了一种基于双金字塔特征融合的复杂环境下车牌检测算法。通过采用Mish激活函数的残差网络(ResNet101-M)对输入图像进行初级特征提取;在传统特征金字塔网络(feature pyramid network,FPN)的基础上,提出了一种改进的双金字塔特征融合网络(siamese feature pyramid network,SFPN)。被提取的初级特征被送入该网络进行多层特征融合。融合后的特征被送入基于形状先验的锚点设置网络来确定感兴趣区域。将所生成的感兴趣区域送入级联定位网络从而得到准确的车牌检测结果。实验结果表明,该算法在AOLP与CCPD车牌数据集上均能够有效提升检测性能。

基于改进SiamFC的实时人脸跟踪算法

基于现有的人脸跟踪网络存在参数量大、算力高、难以部署到嵌入式平台,无法满足移动设备实时性需求的问题,以SiamFC为基准网络,提出一种基于Two-Way Dense Layer模块改进后的Dense_Block模块。模块在提取特征时具有特征分流、扩大感受野、轻量化网络等优势;为保证人脸跟踪精度且维持实时的在线人脸跟踪速度,通过人脸级联定位搜索策略,先采用浅层的搜索特征和人脸模板特征进行目标人脸初定位,接着对特征响应最大的区域作为深度特征进行人脸重定位,之后,通过NEON指令集优化、知识蒸馏、模型剪枝等方法进一步为人脸跟踪算法加速。实验表明,改进后的SiamFC在部署到RK3288开发板上时,在Accurate、Overlap基本保持不变的情况下,跟踪速度是原SiamFC算法的7.7倍。