复杂背景下目标识别算法分析与改进

摘要

为解决复杂背景下目标不确定性和环境复杂性带来的算法识别速度慢、检测效率低等问题,系统采用多线程编程技术,在嵌入式Samsung SC6410和阿里云等平台,引入开源机器视觉库OpenCV、以及DarkNet、keras第三方深度学习框架,重点研究了现有的主流目标检测算法,针对现有算法存在的优势和不足进行剖析,提出了一种基于密集卷积网络目标检测算法改进思路,即优先采用帧间差分法对样本进行分割,再调用改进的YOLO v3算法实现对目标的分类和检测.实验结果表明,改进后的算法不仅能够大幅度提升检测速度,而且对复杂背景下动态目标检测具有优良的效果.