摘要：为克服传统粒子滤波跟踪算法在行人完全遮挡及光照剧烈变化条件下易导致跟踪失效的问题,提出一种基于卡尔曼粒子滤波框架的鲁棒多人跟踪算法。针对行人运动的非线性和非高斯性,采用粒子滤波作为跟踪器,当行人相互遮挡及背景遮挡时利用卡尔曼滤波估计辅助跟踪,提高跟踪精度。通过在观测模型中融合改进的颜色及纹理特征,解决光照剧烈变化和相似颜色干扰导致的问题。实验结果表明,该算法比传统粒子滤波算法具有更高的鲁棒性及跟踪精度。

摘要：在图像超分辨率任务中通过加大网络参数量和计算复杂度可以提升性能,但该方法不适用于很多计算能力受限的应用场景。因此当超分图像较大时,轻量化超分网络的设计是个至关重要的方向。针对该问题的一个经典加速策略是分治法(将大问题拆解成小问题逐一击破),现有方法通常将大图像的超分问题分解成不同子图像块的超分问题,并根据每个子图像块的超分难易程度,使用不同计算量规模的网络分别进行超分处理,从而减少了冗余的计算。然而,该分治策略仅将子问题分解到了子图像块级别,并未达到满意的加速效果。据此,将分治策略中的子问题分解进一步深入到了像素级,根据不同像素的超分难易程度采用不同计算量的网络来分而治之。具体来说,引入一个不确定度估计的思想在训练中自适应预测每个像素所在位置的超分难易程度;提出了一个自适应像素特征精炼模块,根据不同像素的超分难易程度,对超分困难的像素点进行采样和特征修复,从而为困难点的超分问题分配了更多的计算量进行处理。大量实验表明,相比现有的子图像块级的超分网络加速方法,提出的像素级超分网络加速方法更为高效,在相同精度的情况下,有效减少了计算复杂度。