基于全流量光学传感器的磨粒运动特性研究

针对航空发动机滑油系统管路中磨损颗粒的运动特性进行了研究。首先,建立磨粒的运动学方程,分析影响运动的主要因素;然后,自制全流量在线光学传感器,并搭建磨粒运动监测系统,再结合高效卷积算子(ECO)算法对动态磨粒进行跟踪以及速度测算;最后,利用仿真软件,对多个影响因素进行多元回归方程的拟合。研究结果表明:回归方程的拟合度较高。同时,各因素对颗粒运动速度影响的重要程度依次为:油液的流速、颗粒的密度、油液的粘度、颗粒的粒径。同时,油流的速度与颗粒的运动速度呈正相关,颗粒的密度、油液粘度、颗粒的直径与颗粒的运动速度呈负相关。

基于帧间相似性的目标检测FPGA加速器设计

为解决视频目标检测应用上的神经网络硬件加速问题,提出一种基于视频应用中连续输入之间高度相似性的YOLO卷积网络FPGA加速器。提出增量计算与快速卷积算法结合的优化方法,使用增量计算以跳过连续输入间相似部分的卷积运算;使用快速卷积算法增加并行计算资源的利用效率。实验结果表明,加速器算力约为238 GOP/s,增量计算以及快速卷积算法为加速器分别提供1.31倍与2.11倍的加速比,相较于同类网络加速器,DSP效率上有1.90倍到5.43倍的提升。

基于ResNet-ACmix融合特征的ECO目标跟踪算法改进

为了结合卷积和自注意力的优势,并提高相关滤波目标跟踪算法的跟踪能力,提出了一种应用自注意力卷积融合残差网络(ResNet-ACmix)改进的ECO目标跟踪算法.该算法在特征提取方面,采用一种轻量级的网络ResNet-ACmix代替原ECO算法中ResNet特征提取网络,以此来提高ECO目标跟踪算法的时间性能.在VOT2016数据集以及OTB50数据集上测试的结果表明,上述所提算法对比传统ECO算法,在保证较高跟踪准确率的同时,卷积提取过程的参数量和计算量更少,跟踪速度更快.

基于ECO-HC改进的运动目标跟踪方法研究

针对ECO(Efficient Convolution Operators)方法在背景变化及自身非刚性变换条件下容易跟踪失败的问题,提出一种改进的ECO跟踪方法 .首先通过高效卷积操作对输入图像进行特征提取和多特征融合;然后对融合后的特征矩阵进行相关性运算,获取跟踪目标;最后在滤波器更新部分嵌入一种置信度量的校验机制,评估当前帧的跟踪效果,根据校验结果来判断是否对滤波器的样本模型予以更新.在数据集OTB-50上的对比实验结果表明,相比于基线方法,该方法的精确度提升3. 4%,成功率提升3. 8%,有效降低了各种干扰对滤波器的影响.

采用高效卷积算子的长期目标追踪算法

针对目标跟踪中存在的对严重遮挡和出视野的目标跟踪失败的问题,提出了一种基于高效卷积算子的长期目标追踪算法.该算法首先利用滤波器的检测得分计算当前目标是否受到遮挡,停止对遮挡目标尺度模型的更新;然后利用遮挡情况和外观模型置信度判断目标的可靠性,对不可靠目标的模型不计入外观模型更新序列中.当目标长期遮挡或者丢失时,利用融合空间权重、目标检测得分和最佳伙伴相似性得分来重定位目标.与原始的高效卷积算子算法进行对比实验的结果表明,改进的算法能有效地解决目标遮挡和出视野情况下的目标跟踪失败的问题,具有较高的跟踪精度和鲁棒性.

自适应多滤波器的高效卷积算子目标跟踪算法

针对单一滤波器难以适应复杂变化的目标跟踪环境的问题,本文在高效卷积算子目标跟踪算法的基础上,提出了自适应多滤波器的目标跟踪算法。该算法使用时空正则化滤波器、一致性检验滤波器和高效卷积算子算法中的相关滤波器分别与目标特征进行卷积,得到三个滤波检测得分。其中,时空正则化滤波器是通过将时间正则化引入相关滤波损失函数而得到;一致性检验滤波器是通过反向定位前几帧目标,比较反向与正向定位坐标的误差,只有误差小于阈值时才更新滤波器;选择峰值旁瓣比最大滤波检测得分,估计目标的位置。使用OTB-2015数据集和UAV123数据集对改进算法进行测试,实验结果表明,本文算法能够更好地适应跟踪过程中的复杂变化的环境,具有较高的精度和鲁棒性。

ECO跟踪算法中CNN分层插值及加权策略改进

本文是在深度特征与相关滤波相结合的高效卷积运算符(ECO)目标跟踪算法基础上进行的改进。首先,为了提高跟踪速度,提出“浅层特征不插值,深层特征插值”的卷积神经网络(CNN)分层插值处理方法,对具有较高分辨率的浅层特征不插值,对分辨率低的深层特征进行插值计算来提高分辨率;其次,改进了样本空间分类策略,给CNN特征层分配不同的权重,突出不同特征层对样本间距离的影响,并且将所有样本信息都保留在训练样本集中;最后,应用判别尺度空间跟踪(DSST)算法提出的对目标尺度估计的方法,增加了目标尺度的候选数量,使尺度估计更加准确。实验结果验证了所设计算法的有效性。

因式分解卷积运算的多尺度目标跟踪算法

针对因受到尺度变化、光照变化、形状变化以及相似目标等因素的干扰,目标跟踪过程出现漂移或算法过拟合现象等问题,提出了一种基于因式分解卷积运算的多尺度卷积运算.采用含有类似anchors机制的深度检测模型SSD,提取不同宽高比尺寸的特征减少漂移情况的出现,利用紧凑的样本集生成模型和优秀的更新策略等优点有效地解决了过拟合问题.结合ECO算法中的因式分解法提高在光照变化、尺度变化、遮挡以及背景杂波等方面跟踪效果.实验结果表明:该目标跟踪算法具有较强的鲁棒性和较高的跟踪成功率.研究结论可以提高目标跟踪算法的精确性、实时性.

基于智能视觉的船舶碰撞风险评估模型

构建基于智能视觉的船舶碰撞风险评估模型,以提升船舶航行安全性。利用机器视觉技术采集的船舶航行图像,提取船舶航行图像中的颜色特征与梯度方向特征。利用高效卷积运算符(efficient convolution operators for tracking,ECO)算法学习滤波器模板,获取船舶航行图像特征的响应图值。加权求和处理特征响应图值,实现船舶航行轨迹跟踪。依据船舶航行轨迹跟踪结果的时间与坐标信息,获取船舶航行的速度、方位以及坐标信息。依据船舶航行速度等信息,构建船舶碰撞风险评估模型,输出船舶碰撞风险值。测试结果表明,该模型有效评估船舶航行过程中的对遇碰撞、交叉碰撞以及追越碰撞风险,提升船舶航行安全性。

基于ECO-HC的无人机指定行人稳定实时跟踪

针对无人机(UAV)指定行人跟踪中目标遮挡严重、尺度变化大的问题,提出一种基于无人机指定行人稳定实时跟踪算法,即ECO-HC跟踪算法。提取方向梯度直方图(f HOG)和颜色(CN)特征,利用高效卷积算子(ECO)跟踪算法中训练样本的内插模型使其f HOG特征和CN特征融合;利用分解卷积算子、紧凑训练样本模型和稀疏模型更新策略降低过拟合风险,减少算法复杂度,其响应分数最大值的位置即为目标中心位置;引入快速尺度滤波方法自适应得到目标尺寸最优估计,提高跟踪精度。实验选取60段公开行人数据库,结果均优于近年其他4种优秀跟踪算法,其中平均距离精度(mean DP)和平均重叠率精度(mean OP)分别为83. 2%和87. 3%,平均速度为56. 3帧/s。对于无人机拍摄的自建行人数据库,亦具有良好的鲁棒性和实时的处理速度。

应用GhostNet卷积特征的ECO目标跟踪算法改进

为了减少有效卷积算子(ECO)跟踪算法的特征提取网络参数量和计算量,采用了一种基于端侧神经网络(GhostNet)改进的ECO目标跟踪算法。首先,采用GhostNet网络作为主干特征提取网络提取图像浅层与深层的卷积特征,运用全局平均池化对卷积特征下采样增加特征对图像的表征能力;其次,将卷积特征与手工特征插值后,与当前滤波器在傅里叶域进行卷积计算实现目标定位;最后,采用共轭梯度算法优化响应误差与惩罚项之和的损失函数实现滤波器更新。在上述提出的算法和OTB2015与VOT2018数据集上进行了理论分析和实验验证,取得了目标跟踪的对比实验数据。结果表明,相对于基于ResNet特征提取网络的ECO算法,该算法在实现高精度跟踪时,卷积特征提取过程计算量减少了95.75%,参数量减少了79.69%,跟踪过程速度提升了160%。这些结果为轻量级目标跟踪算法的研究提供了参考。

基于高效卷积算子的异常抑制目标跟踪算法

传统的目标跟踪算法易受边界效应影响,且当目标因遮挡严重、运动模糊、光照变化等产生外观变化时,目标响应图会发生突变,从而降低目标跟踪检测结果的可信度。提出一种改进的高效卷积算子(ECO)目标跟踪算法。利用高斯混合模型生成紧凑且多样化的样本数据,采用因式分解卷积方法减少模型参数,引入空间权值系数和前后两帧响应图的变化率来弱化边界效应并抑制响应图突变,以提高目标跟踪算法的鲁棒性能和精度。实验结果表明,在光照、尺度变化等多种干扰下,该算法的成功率和距离精度较原始ECO算法分别提高3.1个百分点和1.9个百分点。

融合运动信息和跟踪评价的高效卷积算子

针对基于方向梯度直方图与颜色命名的高效卷积算子(ECO-HC)算法缺少跟踪质量评价和滤波模板更新监督机制的问题,提出融合运动信息和跟踪评价的高效卷积算子.将卡尔曼滤波器加入ECO-HC跟踪定位框架对目标执行联合跟踪,设计高置信度判别指标评价ECO-HC对每帧图像的跟踪效果,使用原始跟踪结果和卡尔曼滤波预测值的加权融合值,修正不满足判别指标的跟踪结果.在滤波模板隔帧更新策略的基础上,加入当前帧跟踪结果质量评价信息,当2个条件同时满足时执行模板更新.依托公开数据集OTB-2015评估算法性能,结果显示改进算法整体跟踪精确度、成功率和跟踪速率均优于原算法,在运动模糊、低分辨率、离开视野场景中的精确度分别提高3.0%、3.5%和2.8%,成功率分别提高3.8%、2.1%和4.0%.改进算法在保证实时性的同时,有效提升了复杂场景下的跟踪效果.

基于Apriori算法和卷积神经网络的配电设备运行效率主要影响因素挖掘

针对目前配电系统运行效率研究方面缺少评价手段且缺少内在原因的探究方法的问题,提出了一种基于Apriori算法和卷积神经网络的配电设备运行效率主要影响因素挖掘方法。首先,提出配电设备日运行效率的计算方法;其次,分析可能影响运行效率的原因,提出基于K-means聚类和Apriori算法的运行效率主要影响因素的挖掘方法;然后,基于卷积神经网络,提出运行效率与主要影响因素之间关系的定量度量方法;最后利用算例分析,验证了该文方法的可行性。