基于改进LeNet-5网络的污泥沉降比检测研究

在工业废水处理过程中,污泥沉降比检测对于污水处理效果起至关重要的作用,而传统的污泥沉降比检测以人工为主,工作量大且不可控,会对结果会造成不可预计的误差。提出一种基于改进的LeNet-5神经网络的污泥沉降比检测方法,训练之前先对目标进行颜色阈值判定,并在训练过程中提出一种轻量化特征重用网络模和正则分类器模式消除训练过程中Label-dropout的边缘效应,最后根据输出结果借助客户端/服务器(C/S结构)模式搭建整个系统。实验结果表明,改进后的神经网络对测试集的准确率高达96%以上,远高于传统神经网络和人工方法,而且改进后的神经网络更适用于小样本数据集的分类识别,极大提高了准确率和效率。

采用核相关滤波器的自适应尺度目标跟踪

由于现存的大多数基于检测的跟踪器都没有解决尺度变化问题,本文在传统的基于检测的目标跟踪框架下设计了一种尺度估计策略,并给出了基于核相关滤波器的自适应尺度目标跟踪算法。该算法利用核函数对正则化最小二乘分类器求解获得核相关滤波器,通过对核相关滤波器的在线学习完成目标位置和尺度的检测,并在线更新核相关滤波器。为了验证本文算法的有效性,选取了10组场景复杂的视频序列进行测试,并与其它5种优秀跟踪方法进行了对比。结果表明,本文提出的方法比上述5种优秀跟踪方法中的最优者的平均距离精度提高了6.9%,且在目标发生尺度变化、光照变化、部分遮挡、姿态变化、旋转、快速运动等复杂场景下有较强的鲁棒性。

自适应多特征融合目标跟踪

针对目标跟踪在复杂场景中鲁棒性较差以及有效性较低的问题,基于在线检测跟踪框架提出一种基于回归的自适应多特征融合目标跟踪算法。对密集采样得到的各子图像块提取出多种特征分别建立目标表观模型,通过正则化最小二乘分类器得到各模型的响应,利用加权和准则融合各响应,通过求解岭回归方程自适应地在线更新各响应权重以增强局部判别力,得到精确而稳定的检测分数值,从而进行有效鲁棒地跟踪。实验结果表明,该算法在大多数复杂场景下其跟踪精度和鲁棒性优于现有的目标跟踪算法。