摘要：KCF(kernel correlation filter)算法是目前追踪效果最好的算法之一,但KCF算法无尺度自适应能力且不能有效解决遮挡问题.针对KCF算法的缺陷,设计了1种改进的KCF模型,IKCFMDF(improved KCF mixed with deep feature).该模型先由KCF算法得到目标行人的预测框,然后与通过目标检测得到的所有行人检测框相比较,将交并比最大的检测框作为新的训练目标,从而实现KCF的尺度自适应;引入深度特征代替原KCF使用的HOG(histogram of oriented gradient)特征,以避免HOG特征对行人的姿势改变和颜色信息不敏感的缺陷;在追踪目标丢失时保留其深度特征,与之后视频中行人的深度特征进行对比,如果相似度大于设定阈值,则可判定目标重新出现,从而有效解决KCF的遮挡问题.与原始KCF相比,改进的模型在复杂情况下,对行人追踪的成功率提升了36%,相比主流的神经网络模型也有少量的提升.

摘要：针对目标检测任务中小目标所占像素较少、特征不易提取而导致的小目标漏检问题,提出一种结合多特征融合与残差空洞卷积的小目标检测算法。以单阶段目标检测算法SSD为模型基础,建立多层特征融合模块,分别对浅层特征图和后两层特征图进行通道拼接,以深层特征来强化浅层特征,丰富浅层特征的语义信息;建立多分支残差空洞卷积模块,结合残差操作并利用不同扩张率的空洞卷积提取多尺度特征信息,增强特征表示能力,不丢失特征图的原始分辨率;利用更新后的特征来完成小目标检测。在VOC2007数据集上通过实例验证了所提算法的检测精度比SSD提高1.4%,该算法可行有效。