基于卷积神经网络的小目标交通标志检测算法

PVANet(performance vs accuracy network)卷积神经网络用于小目标检测的检测能力较弱.针对这一瓶颈问题,采用对PVANet网络的浅层特征提取层、深层特征提取层和HyperNet层(多层特征信息融合层)进行改进的措施,提出了一种适用于小目标物体检测的改进PVANet卷积神经网络模型,并在TT100K(Tsinghua-Tencent 100K)数据集上进行了交通标志检测算法验证实验.结果表明,所构建的卷积神经网络具有优秀的小目标物体检测能力,相应的交通标志检测算法可以实现较高的准确率.

基于车载视频图像的车辆检测与跟踪算法

基于YOLOv3(you-only-look-once v3)提出了一种融入外观特征的车辆多目标检测与跟踪算法.通过改进YOLOv3算法的损失函数,提升其检测精度;采用卡尔曼滤波算法实现单目标运动状态跟踪,并进行了试验验证;通过构造检测目标与跟踪目标的坐标特征关联损失和外观特征关联损失进行多目标的关联匹配.试验结果表明,所提出的跟踪算法可以很好地避免目标遮挡导致的漏检;并且在复杂环境下,如车辆轨迹发生交叉时,算法仍能保证较高的检测和跟踪精度.