针对影视拍摄机器人的目标检测识别与跟踪,研究提出了You Only Look Once version 5(YOLOv5)算法进行人脸检测,在其中引入了卷积块注意力模块(Convolutional Block Attention Module,CBAM)进行改进,并采用Resnet50进行人脸识别。在此基...针对影视拍摄机器人的目标检测识别与跟踪,研究提出了You Only Look Once version 5(YOLOv5)算法进行人脸检测,在其中引入了卷积块注意力模块(Convolutional Block Attention Module,CBAM)进行改进,并采用Resnet50进行人脸识别。在此基础上,引入了基于人工特征的高效卷积算子(Efficient Convolution Operators Handcraft,ECO-HC)实现目标跟踪。结果显示,YOLOv5-CBAM人脸检测算法的检测准确率高达99.12%,比YOLOv3算法高出了6.82%。ResNet50算法的人脸识别准确率高达98.52%。YOLOv5-CBAM-ResNet50算法的人脸检测平均耗时为0.042 s,识别平均耗时为0.011 s,平均总耗时为0.053 s。此外,ECO-HC算法的跟踪成功率高达92.51%。说明研究采用的目标检测识别与跟踪算法具有较高的精度与运行效率,能够满足影视拍摄机器人的实际拍摄需求,具备较高的实际应用价值。展开更多
构建基于智能视觉的船舶碰撞风险评估模型,以提升船舶航行安全性。利用机器视觉技术采集的船舶航行图像,提取船舶航行图像中的颜色特征与梯度方向特征。利用高效卷积运算符(efficient convolution operators for tracking,ECO)算法学习...构建基于智能视觉的船舶碰撞风险评估模型,以提升船舶航行安全性。利用机器视觉技术采集的船舶航行图像,提取船舶航行图像中的颜色特征与梯度方向特征。利用高效卷积运算符(efficient convolution operators for tracking,ECO)算法学习滤波器模板,获取船舶航行图像特征的响应图值。加权求和处理特征响应图值,实现船舶航行轨迹跟踪。依据船舶航行轨迹跟踪结果的时间与坐标信息,获取船舶航行的速度、方位以及坐标信息。依据船舶航行速度等信息,构建船舶碰撞风险评估模型,输出船舶碰撞风险值。测试结果表明,该模型有效评估船舶航行过程中的对遇碰撞、交叉碰撞以及追越碰撞风险,提升船舶航行安全性。展开更多
文摘针对影视拍摄机器人的目标检测识别与跟踪,研究提出了You Only Look Once version 5(YOLOv5)算法进行人脸检测,在其中引入了卷积块注意力模块(Convolutional Block Attention Module,CBAM)进行改进,并采用Resnet50进行人脸识别。在此基础上,引入了基于人工特征的高效卷积算子(Efficient Convolution Operators Handcraft,ECO-HC)实现目标跟踪。结果显示,YOLOv5-CBAM人脸检测算法的检测准确率高达99.12%,比YOLOv3算法高出了6.82%。ResNet50算法的人脸识别准确率高达98.52%。YOLOv5-CBAM-ResNet50算法的人脸检测平均耗时为0.042 s,识别平均耗时为0.011 s,平均总耗时为0.053 s。此外,ECO-HC算法的跟踪成功率高达92.51%。说明研究采用的目标检测识别与跟踪算法具有较高的精度与运行效率,能够满足影视拍摄机器人的实际拍摄需求,具备较高的实际应用价值。
文摘构建基于智能视觉的船舶碰撞风险评估模型,以提升船舶航行安全性。利用机器视觉技术采集的船舶航行图像,提取船舶航行图像中的颜色特征与梯度方向特征。利用高效卷积运算符(efficient convolution operators for tracking,ECO)算法学习滤波器模板,获取船舶航行图像特征的响应图值。加权求和处理特征响应图值,实现船舶航行轨迹跟踪。依据船舶航行轨迹跟踪结果的时间与坐标信息,获取船舶航行的速度、方位以及坐标信息。依据船舶航行速度等信息,构建船舶碰撞风险评估模型,输出船舶碰撞风险值。测试结果表明,该模型有效评估船舶航行过程中的对遇碰撞、交叉碰撞以及追越碰撞风险,提升船舶航行安全性。
