基于压缩感知的实时在线目标追踪

在正负样本区域随机抽取了不同尺度下图像的局部二值模式(LBP)特征,将高维的特征信息投射到低秩的压缩域,并据此建立了表观模型.使用一个随机稀疏测量矩阵来压缩前景和背景目标.将追踪问题转化成为了一个使用朴素贝叶斯分类器的二元分类问题.所提方法可以较快速、实时地在线追踪目标,同时解决了目标尺度变化、遮挡问题.     

基于在线多示例学习的协同训练目标跟踪算法

为解决把多示例学习应用到目标跟踪算法而导致的误差积累问题, 结合协同训练方法, 提出一种新的目标跟踪算法。该算法利用协同训练克服分类器自训练带来的误差积累, 同时在线多示例学习提高了跟踪效果的鲁棒性。将跟踪结果中心与理想目标位置中心的误差作为评价标准, 在标准视频序列上将跟踪结果与半监督学习跟踪算法和传统多示例学习跟踪算法进行对比。实验结果表明, 该方法在背景光照变化、目标旋转等复杂条件下, 可很好地跟踪目标, 具有较好的鲁棒性。     

基于多源协同感知的目标追踪优化模型

面向物联网及多媒体传输等应用的中高速无线传感器网络,如何在有限的能量下提供较高的传输速率,以满足各种应用的需求成为亟待解决的关键问题.鉴于此本文提出了一种基于多源协同感知的目标追踪优化模型.该模型通过在追踪目标过程中对各节点的多源信息进行协同感知,针对能量阈值以及吞吐量进行多指标综合考虑,并采用优化算法进行多目标优化,实现了目标追踪过程中有效能耗下的高性能传输.经过与相关算法进行实验比对,本文提出的模型在多网络性能指标下均能够表现较好的效果,证明了模型的有效性.      

基于RSS的WSN多目标定位压缩感知算法优化

提出了一种将压缩感知算法应用于WSN多目标定位的系统框架,采用残差最优匹配的方法对压缩感知重构算法进行了改进,提高了定位精度,提出了根据重构结果判断定位是否成功的算法框架,该框架能更大程度的减少需要网络通信的数据量,并改变了当前的压缩感知重构算法的结果评价对稀疏度K的依赖。本算法适用于通信条件恶劣的WSN场景,仿真结果显示了本算法应用于WSN多目标定位的性能优于BP、CosAMP、GMP算法。     

基于多方向正交匹配追踪的压缩感知图像重构算法研究

针对压缩感知中图像信号的压缩比较大、重构效率较低的问题,提出一种基于正交匹配追踪的压缩感知图像重构算法。该算法在图像压缩阶段,利用测量矩阵对目标图像进行二次测量,进一步缩小压缩比。在图像重构阶段,将单次循环的正交匹配对象由一维向量拓展到二维矩阵,利用多方向正交投影对压缩数据进行图像重构。仿真实验结果表明,在缩小压缩比的情况下,可较准确地重构出原始图像;并且显著提高重构效率。     

结合示例空间概念权重的多示例核学习方法?

提出了一种考虑包中样本在概念空间中重要度的多示例核学习方法。引入了包中示例对整个样本空间所包含概念的权重向量。通过数量化的手段表示出每个示例从属于每个概念的重要程度。主要步骤如下:a)通过对所有示例进行聚类,得到能够反映多示例包中所含概念的簇;b)借用文本分类中的r-pattern计算得到每个示例对于概念空间中每个概念的权重向量;c)在多示例核中通过余弦相似度结合示例的权重,得到更能反映概念空间特性的多示例概念核。该方法同时考虑了包层次的概念和示例层次的权重,能够有效度量包中示例对于最终包标记的影响,且本身建立在多示例核的基础上,适用于多种多示例学习的场合。在标准数据集和图像数据集上的实验表明,该算法是有效的。     

基于交替迭代的压缩感知多目标定位算法

针对目前的多目标定位算法在定位精度等方面的不足,将交替迭代应用于压缩感知多目标定位方法。该方法首先利用压缩感知理论将传感器感知到的目标信号强度矩阵表示为测量矩阵与稀疏向量的乘积,将多目标定位问题转换为对稀疏信号的重构问题;然后运行传统压缩感知定位算法得到目标的粗略位置估计;最后通过交替迭代对定位结果不准确的目标进行精确定位。交替迭代过程中,采用菱形搜索寻找目标的精确位置。仿真结果表明:与传统的基于压缩感知的定位算法相比,该算法提高了不在网格中心的目标定位精度,改善了多目标间相互影响对定位干扰大的问题,具有较高的多目标定位精度。最后,以重庆某电力公司的室内运维巡检区域作为实验场所,将该方法应用于实际的巡检定位,取得了较好的室内定位结果。     

多示例学习的示例权重算法

结合覆盖算法(Covering Algorithm,CA)提出示例权重下的多示例学习算法,称为MilIw算法.该算法能利用Hausdorff距离和CA选出正负包中权重较大的示例,并利用选出的示例定义相似度函数,将每个训练包转为单示例,然后利用监督算法对其训练和测试,在标准数据集和COREL图像库中进行实验,实验表明:提出的MilIw算法能和现有的大多数MIL算法相媲美.     

基于自适应基追踪去噪的含噪语音压缩感知

针对含白噪语音信号压缩采样后采用基追踪方法重构性能差的问题,提出了自适应基追踪去噪方法,该方法根据原含噪信号的信噪比自适应选择重构最佳参数,从而在重构语音的同时提高原信号信噪比。把该方法运用到含噪语音压缩感知中,对重构语音进行了主客观评价,并分析了不同压缩比下的重构性能。仿真结果显示:本文方法既实现了压缩采样,又在重构信号时实现了语音增强,优于基追踪重构方法     

基于压缩感知的自适应加权匹配追踪算法

压缩感知（compressed sensing,CS）技术通过减少发射导频数来提高频谱的利用率。将CS技术应用于导频辅助的稀疏度未知的正交频分复用（orthogonal frequency division multiplexing,OFDM）信道估计中,提出一种自适应加权匹配追踪（CS-based adaptive weighting &matching pursuit,AWMP）算法。该算法使用自适应加权、匹配追踪的方法估计信道时域脉冲响应,按照估计信噪比和匹配原则,利用多次迭代进行自适应加权和寻找最佳稀疏度,实现未知信道稀疏度与信噪比的情况下,准确估计信道信息。仿真验证表明,与传统的信道估计算法相比,采用基于AWMP的信道估计方法,能够利用较少的导频信息获得更低的误码率和均方误差。     

一种具有目标匹配约束的加权多示例学习视频目标跟踪算法

以多示例学习(Multiple Instance Learning,MIL)目标跟踪方法为代表,基于自适应辨别模型的视频目标跟踪算法近年来得到广泛重视,这些算法用分类器对图像进行处理,将使分类器置信最大的采样样本作为当前帧的跟踪结果.在此基础上,基于加权多示例学习(Weighted Multiple Instance Learning,WMIL)的目标跟踪算法提出在分类器学习阶段对正样本进行重要性采样,加大正包内正样本的贡献,达到更好的跟踪效果.然而,当前一帧输出结果不准确时,会使得分类器学习性能下降,从而引起目标漂移或跟踪失败.本文基于WMIL算法,提出用目标匹配约束预判断当前帧是否存在目标漂移,从而对下一帧采样中心位置进行矫正,达到抑制目标漂移以及避免跟踪失败的效果.仿真结果表明,本算法在标准视频测试集上都取得了较优的结果.     

基于谱聚类和多示例学习的图像检索方法

针对基于对象的图像检索问题,提出一种新的谱聚类多示例学习算法.该算法将图像当作包,将分割区域的视觉特征当作包中的示例,针对正包示例集合进行谱聚类,按聚类中心点数最大原则选择潜在正示例中心和潜在正示例代表,并采用径向基函数和金字塔核分别度量潜在正示例间和其它示例间的相似性,最后利用支持向量机和相关反馈实现图像检索.采用S...     

自适应实时压缩感知跟踪算法

【目的】解决实时压缩感知跟踪算法分类器无法适应目标外观变化及过更新的问题。【方法】根据当前跟踪结果目标模型的哈希指纹与上一帧目标模型的哈希指纹之间的汉明距离(Hamming distance),在线实时调整分类器,以提高实时压缩感知目标跟踪算法的自适应能力。【结果】自适应实时压缩感知跟踪算法的跟踪成功率比实时压缩感知跟踪算法提高13%,在目标大小为40pixel×43pixel时,跟踪速率为37fps,满足实时性要求。【结论】本研究建立的方法在背景中存在与目标有一定相似性的物体,且目标姿态、纹理变化和光照变化较大等情况下,能快速获取跟踪目标,并且具有较强的鲁棒性和准确性。     

构建新包空间的多示例学习方法

针对已有神经网络方法采用示例决定标记从而导致多示例学习(MIL)中包结构信息丢失的问题,提出了一种新的RK_BP多示例学习方法.在示例空间,首先采用粗糙集对其进行属性约简;然后进行K均值聚类,利用聚类点构造新包空间;在新空间中,利用误差反向传播神经网络算法进行分类.在多个测试数据集上对算法进行测试,结果表明该算法可有效解决已有神经网络方法包结构信息丢失问题,明显提高分类性能.     

在线机器学习跟踪算法的研究进展

分类介绍在线机器学习跟踪算法的研究现状,比较各种算法的优缺点.研究表明:每一种跟踪算法都有其自身的优点和缺点,通常情况下只能处理某一些特定类型的变化,很难确保某一特定类型的跟踪算法能够处理复杂跟踪场景中的所有不确定因素.最后,针对在线学习算法容易产生误差积累,最终发生目标漂移的问题,提出使用多跟踪器的融合,实现鲁棒跟踪等相应的解决方案.     

基于压缩感知的mMTC系统信道估计

为解决海量机器类通信（massive machine-type communications,mMTC）上行传输中活跃用户设备检测和信道估计问题,提出一种基于分布式多矢量测量的子空间追踪（distributed multiple measurement vector subspace pursuit,DMMV-SP）算法.采用免授权海量随机接入的方案,以降低海量机器类通信的时延和信号开销.考虑多载波传输方案并结合子空间追踪算法,利用接收天线和子载波存在的结构稀疏性,检测活跃用户设备的同时进行信道估计.通过计算检测错误概率以及均方误差对活跃用户设备检测和信道估计性能进行评估.仿真结果显示,提出的DMMV-SP算法相较于传统正交匹配追踪（orthogonal matching pursuit,OMP）算法取得更理想的结果.      

基于运动对齐预测模型的分布式视频压缩感知重构

为了提高分布式视频压缩感知（Distributed Video Compressive Sensing,DVCS）的率失真性能,文中提出根据视频非关键帧图像的时间相关性将帧内各块分为静止块与运动块两类,并对它们设定不同的测量率以提高压缩感知（Compressive Sensing,CS）捕获信息的效率.在重构过程中,提出运动对齐多假设预测模型进行重构,该预测模型在测量域内实现运动估计,并根据运动信息在参考帧内寻找到待重构块的若干候选匹配块,利用它们的线性加权和残差重构得到非关键帧图像的重构结果.仿真实验结果表明,文中所提出的DVCS重构算法能有效提升系统的率失真性能,与现有方法相比,在重构时间基本不变的情况下,获得更好的主客观视频重构质量.     

基于多任务学习的高分辨率遥感影像建筑实例分割

针对基于深度神经网络的高分辨率遥感影像建筑物提取算法中将建筑物提取视为二分类问题(即将遥感影像中的像素点划分为建筑物与非建筑两类)而无法区分建筑物个体的局限性, 将基于Xception module改进的U-Net深度神经网络方法与多任务学习方法相结合进行建筑物实例分割, 在获取建筑物二分类结果的同时, 区分不同建筑物个体, 并选择Inria航空影像数据集对该方法进行验证。结果表明, 在高分辨率遥感影像的建筑物二分类提取方面, 基于Xception module改进的U-Net方法明显优于U-Net方法, 提取精度升高1.4%; 结合多任务学习的深度神经网络方法不仅能够实现建筑物的实例分割, 而且可将二分类建筑物的提取精度提升约0.5%。     

基于分层神经网络带预测器的视觉跟踪

提出了一种新的视觉伺服控制方案，在该方案中利用视觉雅可比映射矩阵，求出了任务空间到视觉空间的视觉伺服控制方程，并利用这一方程建立了预测器，对物体图像的未来位置进行预测，这样就减小了图像处理的区域，提高了图像处理的速度，同时，利用分层神经网络代替视觉空间到任务空间的映射，避免了复杂的逆矩阵计算，仿真结果表明，这种方法的使用提高了图像处理的速度和跟踪精度。