当前卷积神经网络结构未能充分考虑RGB图像和深度图像的独立性和相关性,针对其联合检测效率不高的问题,提出了一种新的双流卷积网络。将RGB图像和深度图像分别输入到两个卷积网络中,两个卷积网络结构相同且权值共享,经过数次卷积提取各自独立的特征后,在卷积层根据最优权值对两个卷积网络进行融合;继续使用卷积核提取融合后的特征,最后通过全连接层得到输出。相比于以往卷积网络对RGB-D图像采用的早期融合和后期融合方法,在检测时间相近的情况下,双流卷积网络检测的准确率和成功率分别提高了4.1%和3.5%。

针对当前彩色图像和深度图像(RGB-D)特征融合困难、联合识别效率不高的问题,提出了一种结合K奇异值分解(KSVD)和最大相关最小冗余准则(mRMR)的RGB-D场景图像融合算法。该算法首先采用KSVD稀疏图像的特征,将稀疏系数对应的字典原子作为特征融合的参数,以完整地表达图像的全部信息;之后采用互信息的mRMR原则求取维度最小且各维度之间相关性最小的特征原子组合;最后通过最大化原则融合特征原子对应的稀疏系数,从而完成了两种图像之间的有效信息融合。实验结果表明,该算法在信息熵、互信息和边缘保持度等方面比主成分分析-K奇异值分解和非下采样轮廓变换-K奇异值分解融合算法更有优势,有效提高了图像目标的识别准确率和成功率。

训练模型复杂且训练集庞大导致深度学习的发展受到严重阻碍。使用Google最新开源的TensorFlow软件平台搭建了用于视频目标跟踪的深度学习模型。介绍了深度学习的原理和TensorFlow的平台特性, 提出了使用TensorFlow软件平台设计的深度学习模型框架结构, 并使用VOT2015标准数据集中的数据设计了相应的实验。经实验验证, 该模型具有较高的计算效率和识别精度, 并可便捷地调整网络结构, 快速找到最优化模型, 很好地完成视频目标识别跟踪任务。

为解决容积卡尔曼滤波器对机动目标跟踪过程中因模型不准确出现的加速度跟踪超调问题，对消隐记忆滤波和平方根滤波理论进行了研究，提出了一种消隐记忆因子改进的平方根容积卡尔曼滤波算法（Memory Attenuation Square-root Cubature Kalman Filter，MASCKF）。首先推导了基于线性状态方程的简化平方根容积卡尔曼滤波算法，提高了算法的实时性; 其次在简化算法的时间更新环节引入消隐记忆因子，提高新量测数据在最优估计中的比重，使得加速度跟踪超调得到了很好的抑制。通过实验比对，验证了新算法对加速度跟踪超调的抑制效果，提高了对目标跟踪的实时有效性和准确性。