基于随机局部均值Hash特征的在线学习目标跟踪

在局部遮挡,光线变化,以及复杂背景环境下进行有效稳定的目标跟踪一直是一个长期困扰研究者的复杂问题。提出一种基于随机局部均值Hash特征的在线学习目标跟踪算法,算法的创新点为基于泊松概率分布的目标模型建立及其在线更新。算法首先利用已标定实际位置的目标图像来初始化目标模型及构建初始分类器池,由此求出下一帧的检测算子,同时基于多实例在线学习方法,利用检测到的目标样本（正样本）以及附近的背景样本（负样本）在线更新目标模型,求出新的检测算子用于后续帧的目标检测及跟踪。提出的算法与现有基于检测学习的OnlineBoostingTracker,SemiTracker,BeyondSemiTracker,Context Tracker和MILTracker跟踪算法在给定的四个标准视频序列中进行了跟踪性能比较。实验结果表明,在各种复杂环境下,该算法具备良好的综合跟踪性能,尤其在抗局部遮挡方面尤为突出。在抗目标旋转方面,该算法仍有待优化。     

改进的基于多示例学习的目标跟踪方法研究

针对复杂场景下的跟踪问题,提出一种新的基于多示例学习的目标跟踪方法。该方法首先利用局部描述算子(Harr-like特征)表征目标和周围背景区域,分别视为正负样本,然后利用基于Boosting的在线多示例学习(MILBoost)建立一种适应性的外观模型作为二值分类器。并提出一种修正的搜索目标位置算法,使haar小波和区域协方差矩阵相结合,取最大响应样本为新目标位置。该方法能够有效解决视频场景中目标受遮挡、旋转和光照变化等问题,具有鲁棒的跟踪性能。     

在线多示例学习目标跟踪方法研究

多示例学习是不同于传统机器学习的一种新的学习模式,近年来被应用于图像检索、文本分类等领域。提出一种基于在线学习的多示例学习算法,将其应用于目标跟踪。该算法通过构造一个在线学习的多示例分类器作为检测器,无需制作大量的样本进行离线的训练,只需在第一帧手动选中目标,便可以自动生成正样本和负样本,并在随后的帧序列中,根据跟踪到的目标自动更新分类器,在跟踪器丢失目标或者目标从场景中消失后,它能够重新检测到目标并更新跟踪器,从而有效地支持了跟踪器跟踪目标。实验证明该方法在背景复杂,光线变化,摄像机抖动等复杂条件下,可以很好地跟踪到目标,且对遮挡具有较好的鲁棒性。     

基于运动模型分解的多实例学习跟踪

多实例学习跟踪算法在目标物经历较大姿势变化后,容易导致目标物跟踪漂移。针对这个问题,提出将粒子滤波与多实例学习模型相结合,利用多运动模型约束与K－means聚类构建分类器来在线检测与跟踪目标。特征模型的构建基于稀疏随机矩阵,使得图像采样得到的低维特征能保持来自图像的多尺度信息。多实例学习算法用来采样正负样本集合,并使用在线增强技术来构建强分类器。大量的实验结果表明,提出的算法在光照变化、遮挡、以及形变的变化下都能准确跟踪目标,并具有很高的实时性。     

基于粒子滤波与局部全局一致性学习的目标跟踪算法

针对目标形变及复杂背景条件下的目标跟踪问题,利用基于图的半监督学习方法,结合粒子滤波,提出一种自适应的目标跟踪算法。该算法利用局部全局一致性学习（LLGC）算法建立代价函数,将当前的候选状态作为未标记样本,以所有样本为顶点建立图,以代价函数的最优解作为当前的状态,从而得到当前帧的目标位置;同时利用跟踪结果对标记样本进行实时更新,以适应目标形变,部分遮挡以及环境光照的变化。实验结果表明,该方法能够很好地处理目标跟踪中常见的遮挡、相似背景干扰等复杂情形,实现对目标的鲁棒跟踪     

基于粒子滤波和多示例学习的目标跟踪

目标跟踪是计算机视觉领域中研究的热点问题。当前,基于多示例学习的目标跟踪算法引起了较多的关注。在研究多示例学习算法的基础上,针对原始的多示例学习目标跟踪算法中使用运动模型的不足,提出一种改进的基于在线学习的目标跟踪方法。该方法首先根据方向直方图局部特征(HOG特征)来描述目标,然后通过粒子滤波方法对目标位置进行预测,再用基于Boosting的在线多示例学习方法来建立描述目标的模型和分类器,最后在下一帧的图像中利用该分类器来跟踪目标,同时在线更新分类器。通过实验表明,改进的方法可以有效地提高目标跟踪精度和算法的鲁棒性。     

自适应嵌套级联的在线集成学习方法研究

针对视频目标检测问题,提出一种新的在线集成学习方法。该方法把目标检测看成两类分类问题,首先用少量已标注样本离线训练一个初始集成分类器,然后在检测目标的同时通过跟踪过滤虚警目标,并通过样本置信度作进一步验证自动标注样本,最后通过在线集成学习方法更新级联分类器。该方法通过在线调整级联分类器,提高分类器对目标环境变化的适应能力,在大量视频序列上进行实验验证,并与现有在线集成学习方法进行比较,结果表明,通过该方法训练得到的检测器不但能够很好地应对目标特征的变化,也能在出现目标遮挡及背景干扰下稳定地检测出目标,具有较好的适应性及鲁棒性。     

基于车载视频监控的乘客检测及跟踪算法

针对公交车上乘客相互遮挡及光照变化明显的问题,提出一种基于头肩部边缘特征和局部不变特征的人体检测及跟踪算法。首先对待检测图像进行自适应阈值背景差分,实现乘客目标分割;然后用样本的梯度方向直方图(HOG)特征训练支持向量机(SVM)基础分类器,结合自适应增强(AdaBoost)算法提炼出最终的强分类器,对前景图像进行扫描实现乘客目标检测;最后提取目标区域和当前搜索区域的快速鲁棒性特征(SURF),通过特征点匹配实现乘客目标跟踪。实验表明,在乘客相互遮挡及光照变化明显的情况下,该算法仍具有高于80%的检测率和跟踪率,且满足系统实时性的要求,可用于客流计数。     

基于在线学习和结构约束的目标跟踪算法

为在复杂环境中对目标进行长期的精确跟踪,提出一种基于在线学习和结构约束的目标检测和跟踪算法。采用改进的光流法对特定目标进行自适应跟踪,实时目标检测采用非层次结构在线学习随机蕨丛分类器。用基于结构约束的非监督学习法精确确定目标位置,以适应目标的形态变化。实验结果表明,该算法能够适应目标的基本形态变化,在目标出现尺寸变化、旋转、部分遮挡或短暂消失时都能稳定精确地跟踪目标。     

基于在线增量学习的实时人脸跟踪算法

提出基于在线增量式极端随机森林分类器的实时人脸跟踪算法。算法用在线极端随机森林分类器实现基于检测的跟踪,并结合动态目标框架和P-N学习矫正检测的错误。实验结果表明,该算法能够在不确定背景下对任意人脸实现较长时间段内的稳定快速的实时跟踪,并能有效排除背景等的干扰,效果较好。     

大规模分布式系统的一种层次式命名方案

针对大规模分布式系统中对象迁移、网络和系统动态重构的要求,文中介绍了一种层次式的命名和编址方案,它将对位置透明的标识(OID)和表示位置的地址(OAD)二者结合起来标识对象.从局部唯一的ID和地址出发构造全局ID和地址,它们是相对表示,当在命名上下文中传送时被转换,从而保证了ID的唯一性,也缩短了对象标识符的大小.尤其在网络和系统动态重构时,其优点更为突出,用户无需了解对象地址的改变就可进行正确通信,实现了位置透明性.文中还就命名方案的实现问题进行了探讨.     

分布计算软件平台StarBus的设计与实现

分布式对象技术已经发展成为当今分布异构环境下建立应用系统集成框架和标准构件的核心技术，文章介绍了遵循CORBA2．0标准的分布式软件平台Starbus的设计与实现，包括Suarbus的技术路线、体系结构等。     

企业网环境下控制软件的新发展

本文论述了企业网环境下控制软件的新发展。阐明了软件开发的标准：组件对象模型（COM）／分布式组件对象模型（DCOM）；软件运行的系统结构：客户机／服务器结构。     

基于MOM的HLA/RTI管理盟员的设计与实现

为了在仿真运行过程中对联盟、盟员以及RTI进行监控，HLA中引入了管理对象模型(MOM)，该模型是HLA／RTI架构中的重要组成部分。该文介绍了IEEEl516规范中定义的MOM，并在此基础上对其进行了扩展。结合我们StarLink RTI的开发实践，提出了通过代理盟员实现MOM的设计方案，在该RTI中实现了对MOM的支持。最后在此基础上，设计并实现了管理盟员StarFM。     

HLA中对象模型的研究

高层体系结构HLA采用面向对象的设计思想，支持仿真系统的互操作和可重用，在作战仿真领域有着很广泛的应用。在HLA中，对象模型OM是实现仿真之间互操作和仿真部件可重用的重要基础，OM以标准的格式描述了仿真应用参与联邦的能力和对外部的需求，该文简单介绍了HLA的基本内容，详细阐述了对象模型OM的描述形式OMT及其分类，并通过实例说明了OM的开发过程。     

以交换网络为中心的并行PC系统结构的可扩展性研究

针对传统的PCI总线结构形成系统通信瓶颈的缺陷，提出了以交换网络为中心的可扩展并行PC体系结构设计思想，对该体系结构的交换网络的可扩展性，如并行PC交换网络的管理模型网络寻址与路由以及系统内部通讯协议设计进行了深入研究，提出了相应的设计方案。     

基于对象存储系统中属性管理的研究与实现*

针对现有属性管理方法上的缺陷和不足,提出了一种新的属性管理方法--哈希桶.哈希桶方法对对象的属性进行集中管理,不仅降低了管理存储成本,更有效地提高了系统的吞吐率.经过仿真测试表明,哈希桶对象属性管理方法性能远优于现有的属性管理方法.     

结合环状原型空间优化的开放集目标检测

目的 现有目标检测任务常在封闭集设定中进行。然而在现实问题中,待检测图片中往往包含未知类别目标。因此,在保证模型对已知类检测性能的基础上,为了提升模型在现实检测任务中对新增类别的目标检测能力,本文对开放集目标检测任务进行研究。方法 区别于现有的开放集目标检测框架在检测任务中将背景类与未知类视为一个类别进行优化,本文框架在进行开放集类别识别的过程中,优先识别候选框属于背景类或是含待识别目标类别,而后再对含待识别目标类别进行已知类与未知类的判别。本文提出基于环状原型空间优化的检测器,该检测器可以通过优化待检测框的特征在高维空间中的稀疏程度对已知类、未知类与背景类进行环状序列判别,从而提升模型对开放集类别的检测性能。在（region proposal networks,RPN）层后设计了随机覆盖候选框的方式筛选相关的背景类训练框,避免了以往开放集检测工作中繁杂的背景类采样步骤。结果 本文方法在保证模型对封闭集设定下检测性能的情况下,通过逐步增加未知类别的数量,在Visual Object Classes-Common Objects in Context-20(VOC-COCO-20),Vi...     

CORBA对象调用服务的Web Services封装设计与实现

研究了CORBA与Web Services技术,完成了用Web Services来封装CORBA对象调用的系统设计,使CORBA服务能穿过防火墙发布到Web上,并成功地对系统进行了验证。在二者技术结合方而做了探索性的研究。     

基于面向对象空间数据库的空间对象模型设计及其存储策略的探讨

分析空间信息的结构和面向对象数据库技术的基础上，着重讨论了如何利用面向对象数据库的技术来对空间信息进行存储，展现了利用面向对象设计建立空间信息结构模型的先进性，并针对空间信息的结构提出了在面向对象空间数据库的存储策略。一方面为面向对象空间数据库的设计与建立提供参考，另一方面，通过借鉴相对成熟的面向对象技术，为空间信息的存储管理提供了思路和策略。