一种基于改进快速差分进化算法的运动目标跟踪方法

计算机视觉用于检测和追踪图像序列中的特定目标,近年来受到了广泛的关注。跟踪过程可以被描述为一个动态优化问题,在每个图像中识别目标的最佳位置。差分进化算法(DE)具有简单、并行计算和自适应搜索全局优化等优点,被认为是一种很有前途的有效目标跟踪算法。为了更好地适应目标跟踪,在DE中进行了一些改进。

基于卷积神经网络的交通标志检测

针对自动驾驶场景下,提高交通标志检测速度和准确率的问题,提出一种基于卷积神经网络(Convolutional Neural Network,CNN)的交通标志检测算法,与传统的图像检测算法相比拥有明显的优势。首先解析影响交通标志检测准确性的因素,并对算法提出了两项改进:使用101层的残差网络作为特征提取的基础网络以获得高精度的特征提取和物体检测,同时优化网络的区域候选框特征提取方式以提高交通标志图像的检测效果。在GTSDB德国交通标志检测基准数据集上的实验结果表明,该算法实现在复杂背景下交通标志的精准检测。