基于Boosting框架的非稀疏多核学习方法

针对传统的分类器集成的每次迭代通常是将单个最优个体分类器集成到强分类器中,而其它可能有辅助作用的个体分类器被简单抛弃的问题,提出了一种基于Boosting框架的非稀疏多核学习方法MKL-Boost,利用了分类器集成学习的思想,每次迭代时,首先从训练集中选取一个训练子集,然后利用正则化非稀疏多核学习方法训练最优个体分类器,求得的个体分类器考虑了M个基本核的最优非稀疏线性凸组合,通过对核组合系数施加LP范数约束,一些好的核得以保留,从而保留了更多的有用特征信息,差的核将会被去掉,保证了有选择性的核融合,然后将基于核组合的最优个体分类器集成到强分类器中。提出的算法既具有Boosting集成学习的优点,同时具有正则化非稀疏多核学习的优点,实验表明,相对于其它Boosting算法,MKL-Boost可以在较少的迭代次数内获得较高的分类精度。     

基于遗传粒子滤波器的运动目标实时跟踪

提出一种基于遗传粒子滤波器的运动目标跟踪算法,它将Boosting算法和遗传算法引入粒子滤波器,构建了遗传粒子滤波器．该方法首先利用背景信息和目标信息建立特征分类器,将分类器的输出结果作为粒子滤波系统观测的重要信息,进行粒子权值的计算;并在跟踪过程中不断更新特征分类器,从而自适应地更新粒子的权值．为了提高算法的实时性,将遗传算法引入到粒子滤波器,在保证粒子滤波器精度的前提下,减少粒子数目,从而降低算法的运算时间．实验结果表明,所提算法可以根据背景信息的不同自适应地选择特征,在遮挡、形变及背景干扰等情况下,依然可以很好地对目标进行稳定的实时跟踪．     

标签一致K-SVD稀疏编码视频跟踪算法

稀疏编码视频目标跟踪算法对目标遮挡问题有一定的适应性,但当目标受背景杂波、光照变化等干扰时,跟踪结果将会出现漂移现象.为此,提出一种基于字典学习和模板更新的视频目标跟踪算法.该算法在构造字典时加入背景模板集,利用标签一致K-SVD方法进行字典学习,同时训练出低维字典和目标背景分类器;在稀疏编码过程中,借助粒子滤波技术,采用分类器分类结果和候选目标直方图构建整体似然模型;最后通过字典学习更新字典、分类器及目标直方图.采用标准数据库中具有挑战性的视频数据进行算法测试实验,结果表明,对于存在遮挡、背景杂波、光照变化、目标旋转和尺度变化等复杂跟踪环境下的目标跟踪,文中算法都能有效地降低跟踪结果存在的漂移现象,且具有较好的稳定性.     

基于自适应粒子滤波器的物体跟踪

利用分类概念及粒子滤波理论,提出了一种基于自适应粒子滤波器的物体跟踪算法。将Boosting算法引入粒子滤波器,构建了自适应粒子滤波器,该方法首先利用背景信息和目标信息建立特征分类器,将分类器的输出结果作为粒子滤波系统观测的重要信息,进行粒子权值的计算,并在跟踪过程中不断更新特征分类器,从而自适应地更新粒子的权值。实验结果表明,该算法可以根据背景信息的不同自适应地选择特征,对于存在遮挡、形变及背景干扰等情况,依然可以很好地对目标进行稳定跟踪。     

改进的基于在线Boosting的目标跟踪方法

针对被跟踪目标发生严重遮挡、暂时离开跟踪画面或位移发生重大变化时,采用基于在线Boosting跟踪的邻近区间更新算法导致错误累积进而产生漂移甚至跟踪失败的问题,提出一种改进的基于在线Boosting的目标跟踪方法。由在线Boosting算法对分类器特征库进行更新,使用卡尔曼滤波动态更新阈值,使系统能根据跟踪目标的置信度自动用获取到的局部特征对阈值做相应调整。当运动目标的置信度低于下限阈值时,采用Blob跟踪方法,根据颜色和空间上的相似性将目标分割为多个区域,每个区域包含有区域号、位置、大小信息,随机选取一个进入在线Boosting跟踪模块进行检测,直到获取到置信度达到上限阈值时,切换到邻近区域更新算法进行跟踪。对不同视频序列测试的结果表明,与传统在线Boosting算法和其他跟踪算法相比,所提出算法能快速准确获取跟踪目标并具有更强的鲁棒性。     

一种多特征选择的自适应跟踪

提出利用混合Boosting算法根据目标信息和背景信息选择特征,建立特征排序分类器,并在跟踪的过程中不断自适应更新。采用卡尔曼滤波对目标区域进行粗预测,然后利用排序分类器结合mean-shift算法完成目标的精确跟踪。实验结果表明,该算法可以根据不同的目标和背景信息,自适应地进行特征选择,对于场景中存在光照、干扰、遮挡等情况,依然可以对目标进行实时有效的跟踪。     

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。     

一种新的AdaBoost视频跟踪算法

针对复杂场景中运动目标较难定位的问题,提出一种结合纹理和颜色特征的AdaBoost目标跟踪算法.首先在线训练一个弱分类器的集合区分目标和背景;然后,通过AdaBoost将集合中的各弱分类器组合成一个强分类器,用于标定下一帧中各像素的类别属性,并生成置信图;最后,在置信图中用Mean Shift算法定位目标的中心.实验结果表明,该算法在光照变化、目标自身发生形变和遮挡的情况下,能准确地对目标进行跟踪.     

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。     

AdaBoost算法研究进展与展望

AdaBoost是最优秀的Boosting算法之一, 有着坚实的理论基础, 在实践中得到了很好的推广和应用. 算法能够将比随机猜测略好的弱分类器提升为分类精度高的强分类器, 为学习算法的设计提供了新的思想和新的方法. 本文首先介绍Boosting猜想提出以及被证实的过程, 在此基础上, 引出AdaBoost算法的起源与最初设计思想;接着, 介绍AdaBoost算法训练误差与泛化误差分析方法, 解释了算法能够提高学习精度的原因;然后, 分析了AdaBoost算法的不同理论分析模型, 以及从这些模型衍生出的变种算法;之后, 介绍AdaBoost算法从二分类到多分类的推广. 同时, 介绍了AdaBoost及其变种算法在实际问题中的应用情况. 本文围绕AdaBoost及其变种算法来介绍在集成学习中有着重要地位的Boosting理论, 探讨Boosting理论研究的发展过程以及未来的研究方向, 为相关研究人员提供一些有用的线索. 最后,对今后研究进行了展望, 对于推导更紧致的泛化误差界、多分类问题中的弱分类器条件、更适合多分类问题的损失函数、 更精确的迭代停止条件、提高算法抗噪声能力以及从子分类器的多样性角度优化AdaBoost算法等问题值得进一步深入与完善.     

基于引导Boosting算法的显著性检测

针对现有的基于引导学习的显著性检测模型存在的训练样本不纯净和特征提取方式过于简单的问题,提出一种改进的基于引导（Boosting）的算法来检测显著性,从提升训练样本集的准确度和改进特征提取的方式来达到学习效果的提升。首先,根据显著性检测的自底向上模型产生粗选样本图,并通过元胞自动机对粗选样本图进行快速有效优化来建立可靠的引导样本,完成对原图的标注建立训练样本集;然后,在训练集上对样本进行颜色纹理特征提取;最后,使用不同特征不同核的支持向量机（SVM）弱分类器生成基于Boosting学习一个强分类器,对每幅图像的超像素点进行前景背景分类,得到显著图。在ASD数据库和SED1数据库上的实验结果显示该模型能对复杂和简单的图像生成完备清晰的显著图,并在准确率召回率曲线和曲线下面积（AUC）测评值上有较大提升。由于其准确性,能应用在计算机视觉预处理阶段。     

联合判别式核相关滤波视觉跟随算法

目标跟踪算法是计算机视觉领域的热门技术之一,拥有广阔的发展前景。核相关滤波视觉跟踪算法由于循环矩阵构造正负训练样本,避免求逆的大量运算,显著提高计算速度而受到广泛关注。但是,核相关滤波算法存在一定局限性,无法应对现实环境存在的遮挡、目标尺度变化、背景模糊等复杂多变的干扰因素。因此提出一种改进型核相关滤波算法。该算法不仅融合多种颜色特征提高图像处理的准确度,而且通过构建自适应尺度变化策略来应对目标尺度变化的挑战。为了进一步区分目标和背景信息,提出联合判别式背景感知与干扰判别的策略,以充分利用目标上下文信息。相比于传统核相关滤波算法,改进算法的精度更高,鲁棒性更强。通过在视频数据集OTB-50上的实验可得,改进后的核相关滤波算法性能获得较大提升。     

多通道Haar-like特征多示例学习目标跟踪

目的 提出一种基于多通道Haar-like特征的多示例学习目标跟踪算法,克服了多示例跟踪算法在处理彩色视频时利用信息少和弱特征不能更换的缺点。方法 首先,针对原始多示例学习跟踪算法对彩色视频帧采用单通道信息或将其简单转化为灰度图像进行跟踪会丢失部分特征信息的缺点,提出在RGB三通道上生成位置、大小和通道完全随机的Haar-like特征来更好地表示目标。其次,针对多示例学习跟踪算法中Haar-like弱特征不能更换,难以反映目标自身和外界条件变化的特点,提出在弱分类器选择过程中,用随机生成的新Haar-like特征实时替换部分判别力最弱的Haar-like特征,从而在目标模型中引入新的信息,以适应目标外观的动态变化。结果 对8个具有挑战性的彩色视频序列的实验结果表明,与原始多示例学习跟踪算法、加权多示例学习跟踪算法、基于分布场的跟踪算法相比,提出的方法不仅获得了最小的平均中心误差,而且平均跟踪准确率比上述3种算法分别高52.85%,34.75%和5.71%,在4种算法中获得最优性能。结论 通过将Haar-like特征从RGB三通道随机生成,并将判别力最弱的部分Haar-like弱特征实时更换,显著提升了原始多示例学习跟踪算法对彩色视频的跟踪效果,扩展了其应用前景。     

一种改进的压缩跟踪算法

针对压缩跟踪算法在跟踪目标过程中,目标快速运动和目标外观尺寸变化较大时引起的跟踪失败问题,提出了改进的压缩跟踪算法。首先,对正负样本的采集做了改进,除了采集正负样本集,还额外采集一个候选样本集,从而减少样本采集带来的误差。其次,借鉴MIL算法思想,利用弱分类器的组合构成强分类器,然后对候选样本进行计算来确定目标,并提出了模型学习率和强分类器更新方法。最后,根据候选样本集为正样本集的概率值来自适应调节跟踪目标窗口的大小。实验表明,改进后的算法能对快速运动和外观变化较大的目标进行准确的跟踪,改进算法比原算法具有更好的鲁棒性。     

快速尺度估计的增强型多核相关滤波算法

针对核相关滤波（KCF）跟踪算法在复杂环境下其定位性能和稳定性差的问题,提出了一种快速尺度估计的增强型多核相关滤波跟踪算法。该算法针对核相关滤波算法无法适应跟踪过程中目标尺度变化,将快速判别式尺度估计移植至核相关滤波跟踪框架,解决了跟踪过程的目标尺度问题。对于单个特征的单核相关滤波器在复杂环境中跟踪适应性差的问题,提出了一种多特征互补的多核相关滤波器。该滤波器利用KCF多通道特性以及不同特征可以描述不同信息,采用多个相同内核的线性组合,每个内核对应一个特征,并结合快速尺度估计,在保证算法实时性的同时进一步提高跟踪性能。通过在OTB2013目标跟踪数据集上进行实验,该算法与近年来性能优异的算法进行对比,结果表明,与传统的使用HOG特征的KCF算法相比精度上提高了10.9%,成功率提高了16.2%;与使用CN特征的CN2算法相比,精度上提高了20.6%,成功率提高了19.6%。实验结果表明,所提算法在目标尺度变化以及复杂环境下的跟踪效果均优于其余相关滤波算法,证明了该算法的有效性以及鲁棒性。     

面向数据流的多任务多核在线学习算法

多任务多核学习已逐渐成为在线学习算法研究的热点。对于数据流的处理,现有的在线学习算法在准确性上有一定的欠缺,因此提出一种新的多任务多核在线学习模型用于提高数据流预测的准确性。在保持多任务多核学习的基础上,将其扩展到在线学习中,从而得到一个新的在线学习算法;同时为输入数据保持一定大小的数据窗口,用较小空间换取数据的完整性。实验部分对核函数的选取以及训练样本集的大小进行了较为详细的分析,通过对UCI数据和实际的机场客流量数据进行分析,很好地保障了流数据处理的准确性及实时性,有一定的实际应用价值。     

MFA-DMFS：一种新的多分类器融合方法及其应用研究*

针对分类器的构建,在保证基分类器准确率和差异度的基础上,提出了采用差异性度量特征选择的多分类器融合算法(multi-classifier fusion algorithm based on diversity measure for feature selection,MFA-DMFS)。该算法的基本思想是在原始特征集中采用Relief特征评估结果按权值大小选择特征,构造特征子集,通过精调使各特征子集间满足一定的差异性,从而构建最优的基分类器。MFA-DMFS不但能提高基分类器的准确率,而且保持基分类器间的差异,克服差异性和平均准确率之间存在的相互制约,并实现这两方面的平衡。在UCI数据集上与基于Bagging、Boosting算法的多分类器融合系统进行了对比实验,实验结果表明,该算法在准确率和运行速度方面优于Bagging和Boosting算法,此外在图像数据集上的检索实验也取得了较好的分类效果。     

类肤色背景下的人脸追踪改进算法

针对人脸追踪过程中,基于目标色彩特征的CamShift（continuously adaptive mean-shift）算法受类肤色背景干扰所导致的搜索框偏移及尺寸异常问题,提出了一种结合肤色分割及追踪监测机制的人脸追踪改进算法。在YCbCr色彩空间的Cb、Cr分量内采用非参数肤色分割模型及SVM（support vector machines）构建特定于当前视频序列的联合肤色分割模型,以由粗至细的方式去除视频帧中类肤色背景。随后,在Cr分量内构建CamShift算法色彩直方图并进行人脸追踪。考虑在追踪过程中,当场景或光照强度改变时易出现的联合肤色分割模型及CamShift算法色彩直方图失效问题,采用拉依达准则（pauta criterion）判断追踪窗口内Cr分量均值的异常,当监测到异常值时即判定当前视频帧人脸追踪失败,使用Adaboost（adaptive boosting）算法构建的人脸检测器进行人脸复检并重构CamShift算法色彩直方图及联合肤色分割模型。在OTB-2015目标追踪数据集中进行测试,实验结果表明,所提算法在类肤色背景下相比原始CamShift算法对人脸目标的追踪精度更高;相比近几年的追踪算法则在具有良好追踪精度的同时速度优势明显。     

Multiple-kernel-learning-based extreme learning machine for classification design

The extreme learning machine (ELM) is a new method for using single hidden layer feed-forward networks with a much simpler training method. While conventional kernel-based classifiers are based on a single kernel, in reality, it is often desirable to base classifiers on combinations of multiple kernels. In this paper, we propose the issue of multiple-kernel learning (MKL) for ELM by formulating it as a semi-infinite linear programming. We further extend this idea by integrating with techniques of MKL. The kernel function in this ELM formulation no longer needs to be fixed, but can be automatically learned as a combination of multiple kernels. Two formulations of multiple-kernel classifiers are proposed. The first one is based on a convex combination of the given base kernels, while the second one uses a convex combination of the so-called equivalent kernels. Empirically, the second formulation is particularly competitive. Experiments on a large number of both toy and real-world data sets (including high-magnification sampling rate image data set) show that the resultant classifier is fast and accurate and can also be easily trained by simply changing linear program.