多模块稀疏投影在密集场景目标跟踪中的应用

提出了一种包含随机运动的复杂密集场景下的目标跟踪方法. 在跟踪算法中,将稀疏模型与多模块彩色特征相结合,并通过将其转化为l1正则化最小二乘问题实现对特征的稀疏投影. 跟踪过程中利用粒子滤波得到预测跟踪点,并将对应于最小投影差的预测点模块作为最优跟踪. 为适应特征变化,在跟踪完成后根据新的跟踪结果自动更新目标模板. 大量包含遮挡和光照变化的不同类型密集场景测试验证了该方法的有效性,与其他算法的比较说明了其优良性能.     

基于SIR粒子滤波和局部搜索算法的运动目标跟踪方案

针对视频处理中的显著运动目标跟踪问题,提出一种基于序列重要性重采样(SIR)粒子滤波和局部搜索算法的运动目标跟踪方案.首先,对视频序列进行SIR粒子滤波,获得粒子的似然分布,并对粒子进行加权;然后,构建粒子的动态模型和观测模型;最后,当检测到目标运动时,根据每个时间步上观测似然的反馈信息,利用局部搜索算法自适应更新粒子的动态模型,从而实现目标的动态跟踪.实验结果表明,该方案能够有效地跟踪运动目标,且对目标背景、大小、遮挡和光照等因素具有鲁棒性.     

基于PLSA和BoW的高分遥感影像小型港口检测

高分辨率遥感影像可以为小型港口的监管提供有效途径.针对小型港口形态多样、特征难以描述等问题,研究了一种基于概率潜在语义分析(probabilistic latent semantic analysis, PLSA)模型和词袋(bag of words, BoW)模型的小型港口检测方法.该方法首先提取水岸线以缩小搜索范围;然后将灰度直方图、归一化差分水体指数、分形维数特征引入PLSA模型生成特征描述集,将加速鲁棒特征向量引入BoW模型生成视觉词典;根据以上特征描述集和构建的小型港口样本库训练SVM分类器,利用22幅影像进行小型港口检测实验.实验结果表明,相比于只使用常见单一特征或单一模型,该方法的检测结果更佳,耗时更少.     

基于样本扩展和线性子空间特征提取的单样本人脸识别

针对单训练样本情况下的人脸识别问题,提出一种虚拟样本扩展方法. 利用光照模板映射将单一样本扩展为一组虚拟样本,从而增强单训练样本的分类信息. 采用主成分分析（principal component analysis, PCA）对扩展的虚拟样本进行降维,并用Fisher 鉴别变换作二次特征抽取,然后用最近邻分类器识别人脸图像. 所提方法在人脸图像库Yale B 和Extended Yale B 上进行试验,用PCA+LDA 方法把扩展图像作为训练集对测试图像进行特征提取和识别. 相对于以单样本图像为训练集的PCA 特征提取,该方法显著提高了识别率.     

HOG结合傅立叶局部二值模式特征的行人检测

针对局部二值模式(Local binary patterns,LBP)和梯度方向直方图(Histogram of Gradients,HOG)的联合特征,在行人检测中易受行人肢体偏转影响的问题,本文将傅立叶局部二值模式算子(Local binary patterns-HF,LBPHF)与HOG算子联合对行人进行特征描述。在每个滑动窗口中,分别计算HOG特征与LBPHF特征,将两者结合,构成联合特征。利用线性支持向量机训练分类器,通过自举法不断更新优化分类器,获得最优判别模型。将提取所得的联合特征输入分类器中进行判别,采用非极大值抑制的融合方法对重叠检测窗口进行融合。实验结果表明,LBPHF算子与HOG相结合的方法检出率高,计算复杂度低,抗行人肢体偏转干扰能力强。     

基于OpenCV运动中可变特征目标的检测和跟踪

利用OpenCV计算机视觉库实现运动中目标的检测和跟踪,其目标特征允许发生变化,在运动的情况下实现上述功能要求设计的程序代码注重实时性。使用摄像头对目标物体所在场景进行图像采集,按Haar特征的积分图运算方式,快速地产生含有当前和预估下的目标特征的级联分类器用于目标检测识别。在整个检测过程中,加入了自主学习的模块,通过不间断地对目标进行新特征采样和学习、更新级联分类器,解决在运动状态下识别产生新特征的目标。实验结果表明,本设计在目标物体或摄像头各自运动过程中能实时地有效地对目标实现检测和跟踪功能。     

模板在线聚类的目标跟踪

针对基于模板的目标跟踪算法存在模板冗余高、难以适应非刚性目标外观多变的问题,提出一种基于粒子滤波的模板在线聚类目标跟踪方法.首先建立用于描述目标和背景的正、负模板集,然后抽取候选粒子,使用候选粒子与正、负模板集的类内距离以及正、负模板集之间的类间距离来构建似然函数,最后依据最大后验概率准则确定最佳候选粒子作为跟踪结果.根据视频序列中连续变化的目标状态,将一定范围内的相似目标状态视为一个状态类,确定当前状态类的聚类半径.采用均值漂移算法对正模板集及最近几帧跟踪结果进行聚类,并将聚类后的中心集作为新的正模板集.实验表明,该算法能保留目标不同的外观状态,在复杂情况下仍能准确跟踪目标.     

体育视频中基于粒子滤波和ARG模型的多目标跟踪方案

针对体育视频中运动员的精确跟踪问题,提出一种融合粒子滤波和属性关系图(ARG)的多目标跟踪方案.首先,对于所有目标执行粒子滤波构建跟踪器,并根据颜色直方图计算粒子权重.然后,在粒子滤波过程中,融入ARG模型.基于已标注的图像构建ARG模型,并以此评估每个跟踪器的时间得分.最后,根据得分来选择最终的跟踪器,以此实现运动目标跟踪.实验结果表明,该方案能够准确地跟踪多个运动目标,对遮挡和突然运动具有较好的鲁棒性.     

利用红外光谱仪的网球比赛运动目标跟踪方法

针对网球比赛中运动目标的有效快速跟踪问题,提出基于红外光谱仪的网球运动目标跟踪方法,采用红外光谱仪中采集模块采集运动目标的干涉图复原光谱,与实际光谱进行相位差比对,构建动态观测模型,并根据观测结果采用局部背景加权标记运动目标,最后通过局部搜索算法自适应更新动态观测模型,完成对运动目标的自动跟踪.实验结果表明,提出的方法在不同的背景、光照、角度变化的情况下能保持较高的跟踪成功率.     

基于奇异值分解的分类器及在人脸识别中的应用

提出了利用一个人脸样本的奇异值分解构造其所在类别分类器的方法,解决了人脸识别中训练样本少的问题,并给出了利用错归样本更新分类器的方法.实验表明每类仅有一个训练样本就可以得到满意的识别率,并且仅利用一个错归样本更新分类器还可以使识别率进一步提高.     

基于代价敏感卷积神经网络的集成分类算法

针对不平衡数据集中少数类样本分类识别率较低的问题,提出一种基于代价敏感卷积神经网络(cost sensitive convolutional neural network,CSCNN)和AdaBoost的分类算法(classification algorithm based on cost sensitive conv...     

基于中间值的最大间距准则特征提取方法

针对最大间距准则算法中训练样本类内平均值并不能对类内中心做精确估计的问题,提出一种基于中间值的最大间距准则特征提取方法.首先应用样本中间值代替样本的平均值来重新定义类间散度矩阵和类内散度矩阵,然后根据最大间距准则思想得到最优投影矩阵,最后利用三阶近邻分类器进行分类识别.在ORL、Yale和FERET人脸图像库上的仿真实验结果表明,该方法不仅提高了人脸识别率,而且具有较强的鲁棒性.     

基于分步降维HOG-LBP特征的行人头部分类算法

传统的基于PCA-HOG特征的行人头部分类算法存在降维后的子空间鉴别性不足的问题.为此,提出一种基于分步降维HOG-LBP特征的行人头部分类算法.首先,利用样本类别标签构建2类样本的HOG特征集合,在这2类特征集合中分别执行PCA降维,然后将所得的特征与LBP纹理特征进行级联得到最终的头部描述算子,最后通过训练SVM分类器对实际样本集进行分类.实验结果表明,与传统PCA降维方法相比,该方法可有效提高行人头部的分类性能.     

基于SVM的直升机飞行状态识别

针对直升机飞行状态识别训练样本数据少而导致识别率不高的问题,提出一种基于支持向量机(support vector machine,SVM)的直升机飞行状态识别方法.首先利用限幅、去野点和均值滤波对飞行数据进行去噪,用最小二乘法对飞行数据进行直线拟合获取变化率,并根据线性相关性提取状态特征参数,以减少数据冗余;然后根据特征参数将飞行状态分为10小类,对每一小类进行SVM分类器设计以提高识别效率;最后利用训练样本训练每个SVM分类器,用训练好的SVM分类器识别直升机全起落飞行状态.通过某型直升机实飞数据进行飞行状态识别实验,并将所提出的方法与RBF神经网络法进行对比,所得结果表明该方法在小样本情况下的识别率有明显提高,可为直升机故障诊断和寿命预测提供依据.     

利用循环相关特征的自适应模糊调制分类

针对非平稳数字调制信号,提出一种高阶正交循环累量特征,具有“屏蔽”干扰和噪声的特性. 采用模糊神经网络非线性动态建模的调制识别器,根据特征训练样本的大致分布状况建立蕴涵初始经验的模糊推理系统结构,再嵌入神经网络的结构和自适应学习算法对模糊系统参数进行调整和优化,完成模糊神经网络模型的逼近求精. 对MASK, MPSK, MFSK, MQAM 等信号进行仿真实验,结果表明系统在信噪比等环境参数变化较大的情况下适应性和容错性良好. 相对于神经网络等识别器,具有初始经验的系统结构更明确,建模周期较短,算法识别率和效率有明显提高.     

基于Stacking集成学习的流失用户预测方法

利用机器学习算法对商业活动中普遍存在的客户流失问题进行预测.借鉴了Bagging的自助采样法思想，提出了一种基于自助采样法的Stacking集成方法.首先对数据集进行多次采样并加入属性扰动，然后使用所得数据子集训练基分类器副本，基分类器决策结果由基分类器所对应的副本投票决定.最后在真实数据集中进行流失客户预测实验，结果显示，该文提出的方法在准确率、查准率和F1值3项指标上均好于所有基分类器和同结构的经典Stacking集成方法.     

基于Kim与Camshift结合的运动目标跟踪算法

为了能够准确和快速的跟踪部分遮挡的运动目标,提出了Kim与Camshift相结合的运动目标跟踪算法。首先通过Kim算法(即帧差法与背景相减法结合)自动的提取目标,通过提取目标确定运动区域及运动区域的质心,然后通过此运动区域提取目标特征,用Camshift方法进行跟踪。此法克服了传统Camshift算法需要人为定位,对部分遮挡目标出现目标丢失和跟踪区域偏移的情况,最后通过实验验证了本算法对部分遮挡运动目标跟踪有较好的鲁棒性。