基于多层卷积特征的自适应决策融合目标跟踪算法

针对目标快速运动、遮挡等复杂视频场景中目标跟踪鲁棒性差和跟踪精度低的问题,该文提出一种基于多层卷积特征的自适应决策融合目标跟踪算法(ASFTT)。首先提取卷积神经网络(CNN)中帧图像的多层卷积特征,避免网络单层特征表征目标信息不全面的缺陷,增强算法的泛化能力;使用多层特征计算帧图像相关性响应,提高算法的跟踪精度;最后该文使用自适应决策融合算法将所有响应中目标位置决策动态融合以定位目标,融合算法综合考虑生成响应的各跟踪器的历史决策信息和当前决策信息,以保证算法的鲁棒性。采用标准数据集OTB2013对该文算法和6种当前主流跟踪算法进行了仿真对比,结果表明该文算法具有更加优秀的跟踪性能。

面向公共安全监控的多摄像机车辆重识别

由于现有的车辆重识别方法大多是在已标注车辆边界框的图像间进行的,但在真实场景中无标注信息,同时环境的复杂性、车辆外观的相似性和多样性也是导致重识别精度不高的原因.因此,针对公共安全监控领域中无标注的原始视频,提出一种结合车辆检测与识别的多摄像机车辆重识别方法.首先设计了二值单点多盒车辆检测网络以获取视频中的车辆边界框,并在线生成候选车辆数据库;其次设计了一种多任务孪生车辆识别网络以提高重识别精度;最后组建“VeRi-1501”车辆数据集.该数据集在现有数据集上扩充车辆身份,并均衡每个车辆身份在不同摄像机下的图像数量.该方法在 VeRi-1501数据集和实际交通场景中识别准确且精度高.

煤矿视频联动地磅称重智能识别管理系统

针对传统的煤矿企业地磅称重管理系统因人工采集信息导致工作效率低、质量差,以及因缺乏防作弊监控措施导致偷煤现象频发等问题,设计了一种煤矿视频联动地磅称重智能识别管理系统,详细介绍了该系统的组成、视频联动地磅称重智能识别原理、系统工作流程及软件功能。该系统由视频监控系统、车辆抓拍系统和数据采集系统组成,综合应用数字图像处理、卷积神经网络、计算机网络等技术,实现了基于车牌识别和多特征匹配的煤矿地磅业务智能监控功能。实际应用表明,该系统可靠性高,操作简便,有效减少了人员工作量,并能够防止作弊盗煤现象发生。