基于三尺度嵌套残差结构的交通标志快速检测算法

智能驾驶对交通标志自动检测的实时性及鲁棒性有着极高要求.目标检测中YOLOv3-tiny检测算法是轻量网络,实时性好、但准确率不高.将YOLOv3-tiny检测算法作为基础网络,提出了一种三尺度嵌套残差结构的交通标志快速检测算法.首先,在基础网络上采用逐像素相加的跨层连接,并未增加特征图的通道数,同时网络中形成1个小残差结构.其次,通过同样的跨层连接方式,增加了1层空间分辨率更高的预测输出,使得该尺度输出包含更丰富的空间信息,进而构成大残差结构.最终,将2个残差结构进行嵌套,形成了1个三尺度预测的嵌套残差网络模型,使得Tiny检测算法的部分主网络位于这2个残差结构中,起到3次调参的作用.实验结果表明:提出的算法能够快速鲁棒地检测真实场景中的交通标志.在德国交通标志检测数据集(German traffic sign detection benchmark, GTSDB)上交通标志总F1值为91.77%、检测时间为5 ms;在长沙理工大学中国交通标志检测数据集(CSUST Chinese traffic sign detection benchmark, CCTSDB)上指示、禁令、警告三大类交通标志F1值分别为92.41%,93.91%,92.03%,检测时间为5 ms.

基于用户兴趣和社交信任的聚类推荐算法

个性化推荐系统中使用最广泛的算法是协同过滤算法,针对该算法存在的数据稀疏和扩展性差问题,提出了一种基于用户兴趣和社交信任的聚类推荐算法。该算法首先基于聚类技术根据用户评分信息将具有相同兴趣的用户聚为一类,并建立基于用户兴趣相近的邻居集合。为了提高兴趣相似度计算的准确性,采用了修正余弦计算公式来消除评分标准的差异问题。然后,引入信任机制,通过定义直接信任、间接信任、传递路径和计算方法来度量社交网络用户之间隐含的信任值,将社交网络转换为信任网络,依据信任程度来创建基于社交信任的邻居集合。通过加权的方式将基于两种邻居集合的预测值融合起来为用户产生项目的推荐。在Douban数据集上进行仿真实验,确定了最优的协调因子值和分类数值,并与基于用户的协同过滤算法和基于信任的推荐算法进行对比,实验结果表明,所提算法的平均绝对误差(MAE)减少了6.7%,准确率(precision)、覆盖(recall)和F1值分别增加了25%、40%和37%,有效提高了推荐系统的推荐质量。

不确定环境下移动对象自适应轨迹预测方法

已有的轨迹预测方法难以对移动对象运动轨迹进行准确地描述,尤其在复杂且不确定的车载自组织网络(vehicular ad hoc network)(也称车联网)环境中.为了解决这一问题,提出基于变分高斯混合模型(variational Gaussian mixture model,VGMM)的环境自适应轨迹预测方法 ESATP(environment self-adaptive prediction method based on VGMM).首先,在传统高斯混合模型的基础上使用变分贝叶斯推理近似方法处理混合高斯分布;其次设计变分贝叶斯期望最大化算法学习计算高斯混合模型参数,有效运用参数先验信息得到更高精度预测模型;最后,针对输入轨迹数据特征,使用参数自适应选择算法自动调节参数组合,灵活调整混合高斯分量的个数和轨迹段大小.实验结果表明:所提方法在实验中表现出较高的预测准确性,可应用于车辆移动定位产品中.

基于用户相似度和信任度的药品推荐算法

为了解决协同过滤算法推荐精度低的问题,提出基于用户相似度和信任度的药品推荐算法。该方法通过离线使用DBSCAN算法对药品进行聚类来降低时间复杂度。引入共同评分药品阈值使用户相似度计算更准确,同时设置相似度阈值来限定相似性邻居的选取以克服KNN算法选取邻居的缺陷。根据用户的推荐可信度和评分可信度建立信任计算模型,计算基于相似邻居集的可信邻居集。通过两次邻居选择策略为目标用户产生药品推荐。仿真结果表明,该算法与其他算法相比在平均绝对误差、准确率和召回率上有更好的性能,提高了系统推荐精度。

基于HSV非均匀量化的CAMshift目标跟踪算法

针对经典CAMshift(Continuously Adaptive Meanshift,连续自适应均值偏移算法)算法易受色度相似背景像素干扰的问题,提出了基于HSV非均匀量化的CAMshift目标跟踪算法,有效地解决了经典算法存在的缺陷。通过在经典CAMshift算法颜色直方图中引入亮度和饱和度分量,并对颜色空间进行非均匀量化,提高目标与背景的区分度,抑制背景像素对目标的干扰。在多个视频数据上的仿真实验结果表明,该算法有效地克服了经典CAMshift算法对背景像素敏感的问题,提高了与背景色调相近场景下目标跟踪的准确性。

在线多目标视频跟踪算法综述

视频多目标跟踪是计算机视觉领域重要的研究课题之一,不论是在军用还是民用都有广泛应用。目前对单目标的跟踪算法研究已经相当成熟,但对于多目标跟踪的研究还处于发展阶段。重点研究了多目标跟踪过程中的四个重要阶段:特征提取、检测器、数据关联、跟踪器。特征提取阶段详细介绍了目前主流的特征提取方法以及各个方法之间的优缺点;检测器阶段首先详细介绍了目标外观模型在具体应用场景中的跟踪效果,接着对基于检测跟踪的多目标跟踪算法和基于深度学习的多跟踪算法进行了分析;跟踪器阶段分别介绍了目标运动模型的建立和利用不同跟踪器混合的多目标跟踪算法;数据关联阶段分别介绍了基于能量最小化的多目标跟踪以及常用的数据关联算法。接着,介绍了目前主流的数据集以及评测方法;最后对多目标跟踪未来的发展进行了思考和展望。