为提高卷积相关滤波算法的速度和精度,提出一种基于通道裁剪与加权融合的跟踪算法。该算法选取适合目标跟踪的单层卷积特征,通过特征均值比裁剪无效卷积通道,再融合一维灰度特征,提升了特征的表征能力。然后以特征均值比为卷积通道权重构造加权相关滤波算法,预测目标位置,并用帧差均值最小化精定位方法减小预测位置误差;最后通过更新跟踪模型,以进一步提高算法速度。在标准数据集OTB-100上对算法进行测试。结果表明,所提算法的平均距离精度为91.3%,平均速度为31.8 frame/s。所提算法可有效提高目标跟踪的速度和精度,在目标遇到遮挡、尺度变化、快速运动及形变时仍可有效跟踪目标。

针对当前车牌识别系统在存在复杂环境以及车牌倾斜的情况下无法精确定位的问题,提出一种基于卷积神经网络的端到端车牌精确定位算法,从而精确计算车牌的坐标。通过Faster R-CNN对输入车辆图片中的信息进行处理,提取候选区域的特征映射,利用特征映射计算车牌的精确坐标。实验结果表明本文算法在OpenITS数据库的功能评测数据库中的平均识别准确率为99%,在性能评测数据库中的平均识别准确率为85%。

分析了光斑图像成像特点和理想光斑灰度分布模型, 针对含有多个不同尺度光斑的图像, 提出了一种可以在复杂环境下一次性快速检测出多个光斑中心的方法。该方法基于高斯模糊后光斑中心不变的性质, 先对含有大量光斑的图像进行快速多级高斯模糊, 构建其高斯尺度空间; 然后, 使用加速的非极大值抑制方法在尺度空间内寻找多个尺度的局部极值, 初步确定各光斑中心的像素级坐标; 最后, 联合这些坐标的邻域像素, 拟合局部曲面, 得到光斑中心的亚像素级精确位置。利用仿真实验和实物实验验证了提出方法的有效性。结果表明: 该算法对640 pixel×480 pixel图像, 处理时间仅需50ms, 每千个光斑的平均检测时间为23 ms, 在复杂环境下正确率可达89%。此外, 该方法对弱光斑较敏感, 适合快速处理含有大量不同尺度光斑的图像, 并能够有效减少光斑的错检和漏检。由于检测速度快, 自适应性强, 在实际应用中取得了良好的检测效果。