针对遮挡场景下车辆跟踪精度下降的问题,提出了一种基于卷积核优选的遮挡车辆跟踪(Convolutional Kernel Optimization for Occluded Vehicle Tracking,CKO-OVT)算法。CKO-OVT算法通过卷积核优选策略自适应挑选出对车辆目标更为敏感的卷积算子进行特征提取,通过判别式孪生网络对跟踪结果进行评估并在跟踪失效的情况下重定位目标,进一步提升跟踪的鲁棒性和准确性。实验部分,构建了遮挡车辆跟踪(Occluded Vehicle Tracking,OVT)数据集,分别在目标跟踪基准(Object Tracking Benchmark,OTB)数据集、TColor-128公开数据集和自建OVT数据集上同高效卷积跟踪(Efficient Convolution Operators for Tracking,ECO)算法、ECO轻量化版本(Efficient Convolution Operators for Tracking Using HOG and CN,ECOHC)、相关滤波(Kernelized Correlation Filters Tracker,KCF)算法、判别式尺度空间跟踪(Discriminative Scale Space Tracker,DSST)算法、循环结构核跟踪(Circulant Structure Kernel Tracker,CSK)算法、层次相关滤波跟踪(Hierarchical Convolutional Features for Visual Tracking,HCFT)算法、基于分层卷积特征的鲁棒视觉跟踪(Robust Visual Tracking via Hierarchical Convolutional Features,HCFTstar)算法、全卷积孪生网络跟踪(Fully-Convolutional Siamese Networks for Object Tracking,SiameseFC)算法和抗干扰感知孪生网络跟踪(Distractor-Aware Siamese Networks for Object Tracking,DaSiam)算法9种主流算法进行实验对比,实验结果表明CKO-OVT算法在OTB数据集上距离精确率提升了2.2%,重叠成功率提升了1.8%;在TColor-128数据集上距离精确率提升了0.4%,重叠成功率提升了0.9%;在OVT数据集上距离精确率提升了1.7%,重叠成功率提升了1.2%。CKO-OVT算法通过自适应卷积核优选和判别式孪生网络,显著提升了遮挡场景下车辆跟踪的鲁棒性和准确性,在OTB、TColor-128和自建OVT数据集上的实验结果表明,CKO-OVT算法在距离精确率和重叠成功率上优于主流跟踪算�
采用FPGA芯片进行数字信号处理时常需要数控振荡器(Numeric Control Oscillator,NCO)产生各种不同频率的时钟,然而随着工程中对NCO的工作频率需求的提高,实现NCO的加法器将会有过长的进位链,这样就限制了加法器的运行频率不能过高。为了解决这一限制与需求的矛盾,采用一种基于预进位链优化的改进方法。经过对无预进位NCO、一级预进位NCO和二级预进位NCO的时序分析和实测数据进行对比,结果表明这种方法产生的NCO频率指标满足设计要求,可以将NCO的工作频率提高70.53%。
在站间通信中接口众多,连接电缆复杂,对设备搭建及维护带来不便。为了适应战场作战的灵活性,采用多通道高级数据链路控制规程(High-level Data Link Control Protocol,HDLC)通信控制器。通过数据打包成帧,只需要时钟信号和数据信号就可实现站间通信,可以有效地减少站间的线缆链接。通过测试,多通道HDLC通信控制器传输速率可以达到10 Mbps以上,传输通道可以达到16路,有效地减少了系统搭建和维护的时间,为作战提供了更为机动灵活的性能,应用效果良好。
