基于稀疏子空间选择的在线目标跟踪

本文在粒子滤波框架下提出一种基于稀疏子空间选择的两步在线跟踪方法.在跟踪的第一步,利用稀疏子空间选择算法筛选出与目标状态相似性较高的候选区域,并将目标与背景间的过渡区域定义为单独的类别以降低目标发生漂移的可能;第二步则通过构建有效的观测模型计算候选区域与目标状态间的相似性,其中相似性函数综合考虑二者在整体和局部特征上的相似性,且将目标的原始状态和当前状态都作为参考,因此增强了观测模型的可靠性;最后利用最大后验概率估计目标状态.此外,该算法通过对目标数据的更新来适应目标的表观变化.实验结果表明该算法能有效处理目标跟踪中的遮挡、运动模糊、光流与尺度变化等问题,与当前流行的9种跟踪方法在多个测试视频上的对比结果验证了该算法的有效性.     

基于判别性局部联合稀疏模型的多任务跟踪

目标表观建模是基于稀疏表示的跟踪方法的研究重点, 针对这一问题, 提出一种基于判别性局部联合稀疏表示的目标表观模型, 并在粒子滤波框架下提出一种基于该模型的多任务跟踪方法(Discriminative local joint sparse appearance model based multitask tracking method, DLJSM).该模型为目标区域内的局部图像分别构建具有判别性的字典, 从而将判别信息引入到局部稀疏模型中, 并对所有局部图像进行联合稀疏编码以增强结构性.在跟踪过程中, 首先对目标表观建立上述模型; 其次根据目标表观变化的连续性对采样粒子进行初始筛选以提高算法的效率; 然后求解剩余候选目标状态的联合稀疏编码, 并定义相似性函数衡量候选状态与目标模型之间的相似性; 最后根据最大后验概率估计目标当前的状态.此外, 为了避免模型频繁更新而引入累积误差, 本文采用每5帧判断一次的方法, 并在更新时保留首帧信息以减少模型漂移.实验测试结果表明DLJSM方法在目标表观发生巨大变化的情况下仍然能够稳定准确地跟踪目标, 与当前最流行的13种跟踪方法的对比结果验证了DLJSM方法的高效性.     

基于子空间自适应学习的粒子滤波跟踪算法

为了提高目标外观迅速变化时视觉跟踪算法的鲁棒性,提出了一种基于自适应子空间学习的粒子滤波跟踪算法。在粒子滤波构架下,建立状态判决机制,根据判决结果并结合主成分分析(PCA)子空间与正交子空间的特点,选择合适的学习方法。这样既能准确、稳定地学习到目标的低维子空间,又能迅速地学习到目标外观变化的趋势。同时,加入鲁棒估计技术处理遮挡问题,避免了对目标状态估计的影响。实验结果表明,该算法在光照变化、姿态变化、遮挡的情况下,均具有较强的鲁棒性。     

基于多表观模型竞争的视觉跟踪算法

在视觉跟踪中,如何适时地更新目标模型是影响跟踪算法跟踪精度和鲁棒性的关键性因素,也是当前研究中面临的重点和难点问题。对此,提出了一种基于多表观模型竞争的模型更新策略,通过多表观模型中各子模型的贡献度大小确定竞争优势排序,当最优子模型的贡献度满足多表观模型更新阈值时,对各子模型及其对应的系数进行更新,否则,仅对部分子模型进行更新。在此基础上,以粒子滤波算法为跟踪框架,提出了基于多表观模型竞争的视觉跟踪算法。实验结果表明,所提算法能够较好地处理视觉跟踪中的模型更新问题,跟踪性能较无模型更新策略的粒子滤波算法有明显提高。     

基于目标分块多特征核稀疏表示的视觉跟踪

大多数现有的基于稀疏表示的跟踪器仅采用单个目标特征来描述感兴趣的目标,因而在处理各种复杂视频时不可避免会出现跟踪不稳定的情况。针对这个问题,提出一种基于多特征联合稀疏表示的粒子滤波跟踪算法。该算法的主要思想是对随时间不断更新的字典模板和抽样粒子的局部块依据其位置进行分类,用字典中所有类别块对抽样粒子的局部块进行稀疏表示,而仅用与字典中具有相同类别的局部块及表示系数进行重构,根据重构误差构建似然函数以确定最佳粒子（候选目标）,实现对目标的精确跟踪。该方法不仅实现了局部块的结构稀疏性,而且充分考虑了粒子之间的依赖关系,提高了跟踪精度。将算法进一步推广到采用基于核的多种特征描述,经混合范数约束并利用 KAPG （kernelizable accelerated proximal gradient ）方法求解联合特征的稀疏系数。定性和定量的实验结果均表明该算法在目标发生遮挡、旋转、尺度变化、快速运动、光照变化等各种复杂情况下,依然可以准确地跟踪目标。     

判别稀疏表示鲁棒快速视觉跟踪

目的 L1跟踪对局部遮挡具有良好的鲁棒性,但存在易产生模型漂移和计算速度慢的问题。针对这两个问题,该文提出了一种基于判别稀疏表示的视觉跟踪方法。方法 考虑到背景和遮挡信息的干扰,提出了一种判别稀疏表示模型,并基于块坐标优化原理,采用学习迭代收缩阈值算法和软阈值操作设计出了表示模型的快速求解算法。结果 在8组图像序列中,该文方法与现有的4种经典跟踪方法分别在鲁棒性和稀疏表示的计算时间方面进行了比较。在鲁棒性的定性和定量比较实验中,该文方法不仅表现出了对跟踪过程中的多种干扰因素具有良好的适应能力,而且在位置误差阈值从0~50像素的变化过程中,其精度曲线均优于实验中的其他方法;在稀疏表示的计算时间方面,在采用大小为16×16和32×32的模板进行跟踪时,该文算法的时间消耗分别为0.152 s和0.257 s,其时效性明显优于实验中的其他方法。结论 与经典的跟踪方法相比,该文方法能够在克服遮挡、背景干扰和外观改变等诸多不良因素的同时,实现快速目标跟踪。由于该文方法不仅具有较优的稀疏表示计算速度,而且能够克服多种影响跟踪鲁棒性的干扰因素,因此可以将其应用于视频监控和体育竞技等实际场合。     

基于鲁棒子空间学习的粒子滤波跟踪算法*

线性子空间模型能够有效地描述目标表面受到光照和姿势变化的情况,然而大多数基于子空间表面模型的目标跟踪算法是在跟踪之前通过训练不同光照和姿势下目标的观测图像,得到一组特征基,并用这组特征基表示不同时刻目标表面变化,一旦训练完成之后,特征基就保持不变,不能在线更新。采用增量子空间学习的方法来构建目标表面的特征基,该特征基能够在线适应目标表面的变化。另一方面,传统的子空间学习方法是基于最小二乘重构误差,该方法容易受到异常测量数据的影响,为此采用鲁棒的子空间学习方法来降低异常测量数据对特征空间更新的影响。最后将鲁     

基于子空间稀疏系数的表情识别方法

提出了一种运用SRC（Sparse Representation based Classification）在个体子空间里,进行表情识别的新方法。用Gabor滤波器,提取表情图像的特征。进行稀疏分解,得到稀疏表示系数。根据稀疏系数确定待测图像所在的子空间,在子空间里,完成表情识别。这种方法较好地避免了不同个体对表情识别的干扰,从而提高了表情识别的正确率。在Cohn-Kanade和JAFFE人脸库上的表情识别实验表明,该方法对表情识别非常有效。     

基于在线词典学习视觉跟踪算法的实现

针对L1跟踪算法仅考虑了稀疏全局表达的不足,基于在线词典学习的视觉跟踪算法将词典池化的优化方法引入到稀疏表示模型中,充分利用了目标模板的局部结构和空间信息,并采用了一种有效的自适应更新方法,本文根据该算法实现了视觉跟踪处理。通过实验对比IYT、MIL和L1这三种目前较先进的跟踪算法,验证了本跟踪处理器的先进性和有效性。     

基于椭圆区域协方差描述子和卡尔曼粒子滤波的鲁棒视觉跟踪方法

针对传统的或概率性的协方差跟踪中采用的矩形区域协方差描述子不能精确反映目标的非刚性形变的问题,提出椭圆区域协方差描述子,将各种不同类型的特征融入统一的模型中,实现了基于多特征的目标跟踪,并将其与卡尔曼粒子滤波相结合,提出一种鲁棒的视觉目标跟踪方法.实验结果表明,该方法对光线变化、噪声干扰、部分和完全遮挡、目标的尺度和角度的变化以及目标的快速运动都具有较好的鲁棒性.     

基于SIFT排序的视觉跟踪算法

针对不稳定的关键点对以SIFT(Scale Invariant Feature Transform)为目标特征的视觉跟踪算法的影响,提出基于SIFT排序的视觉跟踪算法。为实现SIFT排序,提出空域稳定因子和时域稳定因子,并由此构成重要性权重,以表征各个特征点的重要程度。在SIFT排序的基础上,各个关键点按照重要性权重的不同参与跟踪,从而实现基于SIFT排序的视觉跟踪。该算法克服了不稳定的关键点对跟踪结果的影响,从而提高跟踪的准确性和鲁棒性。     

基于冲浪模型的Web协作推荐系统

当前基于协作过滤(CF,Collaborative Filtering)的推荐系统广泛应用于在线购物、音乐点播、智能Web推荐等系统.基于协作过滤的Web推荐系统的一个问题是用户通常仅仅访问很少Web页,因此根据用户访问Web页的记录找到一组相似用户的概率很低,这就是"稀疏问题".本文提出了一种利用WWW冲浪模型,模仿用户访问Web页过程中的一些特点,并将用户的冲浪过程延续,模拟用户在Web站点访问更多的Web页,从而估计出用户对更多Web页的评价.本文还给出了实验比较,表明扩展冲浪深度后,系统推荐Web页的效果得到明显提高.     

基于立体视觉的机器人手眼无标定三维视觉跟踪

本文在未标定手眼关系及摄像机模型的情况下,建立了机器人立体视觉跟踪问题非线性视觉 映射关系模型,并据此设计了基于人工神经网络的视觉跟踪控制器．仿真结果表明该算法能 完全消除稳态跟踪误差,具有很强的环境适应性和容错能力,算法简单,易于实时实现．     

基于云模型的Web服务QoS预测

随着近年来Web服务数量的快速增长,用户-服务QoS(Quality of Service)记录矩阵变得日益稀疏。为了解决传统协同过滤算法在稀疏数据集上预测精确性不高的问题,利用欧几里得距离对数值敏感的特点,将云模型特征向量的欧几里得距离转换成云模型的相似度。对基于云模型的协同过滤算法改进,并将改进算法用于Web服务QoS的动态预测。考虑用户调用同一服务提供商的不同服务有相似体验,再结合云模型的相似度对QoS记录矩阵进行填充,在预测用户调用某服务的QoS时使用填充后的QoS记录矩阵进行计算,从而有利于解决稀疏矩阵下预测准确度难以提高的问题。实验表明,使用该算法的预测结果相较于传统的协同过滤算法有更低的平均绝对误差(MAE),能获得更高的推荐质量。     

基于用户兴趣模型的协同过滤推荐算法

协同过滤推荐算法是目前应用最广泛个性化推荐技术,其中用户相似度的计算方法是影响推荐算法质量的关键因素。针对传统协同过滤算法中稀疏评分数据造成的用户相似度计算不准确问题,提出一种基于用户兴趣模型的协同过滤推荐算法。该算法使用分布估计算法建立用户兴趣模型,并使用用户兴趣模型计算用户间相似度。实验表明,该算法的准确性受数据稀疏性影响较小,同时在收敛速度和推荐准确性方面有明显提高。     

基于优化神经网络ADRC的机器人无标定视觉跟踪

研究机器人无标定视觉跟踪,采用基于神经网络的耦合自抗扰控制器,并用自适应遗传算法训练BP网络的初始权值,优化控制器参数,实现了六自由度机器人的无标定手眼协调控制,仿真结果验证了算法的可行性.     

基于增量模型的协同CAD建模关键技术研究

为了解决产品同步协同造型过程中由于模型信息庞大而造成设计修改无法及时反馈到客户端的问题,提出传输造型变化增量的方法.该方法避免修改后传输所有的模型信息,只需传输被设计修改影响部分的模型信息.提出了几何模型增量搜索算法,利用该算法搜索出协同CAD模型在修改前后发生变化的特征、拓扑关系和几何元素.将搜索结果封装成增量模型传输到客户端.设计出增量模型聚合算法,利用该算法将增量模型聚合到客户端原有几何模型上形成修改后的协同CAD模型.最后利用渐进式显示技术使协同造型设计者能更快地看到修改结果.     

基于改进提升模型的视频目标跟踪算法

为了减少视频目标跟踪中的累积误差,提出一种基于改进提升模型的视频目标跟踪算法。该算法结合样本有标签数据和无标签数据信息,基于半监督学习的思想,对有标签数据和无标签数据分别设计基于改进提升学习模型的分类器;将两个分类器进行加权组合,形成一个强分类器;将样本采集融合于目标跟踪的分类器学习中,有效解决了跟踪中随目标外观变化而造成的误差累积问题,提高了目标跟踪的鲁棒性。     

可视化智能界面系统研究

可视化自适应人机交互界面的设计是智能系统能否成功实施与应用的关键之一,基于此提出了将Agent技术引入用户界面设计中。界面采用可视化的知识表示,知识库直观,知识获取直接面对领域专家,实现了知识自动获取;同时界面针对不同用户群设计了多种界面变体,从而增强了系统的灵活性和对用户的适应性;建立了智能引导和帮助,集成了语音合成技术,实现了界面系统的“声形”并茂,降低和减少了用户使用系统的要求与学习时间,使系统更易学易用。     

基于相机模型投影的多目标三维人体跟踪算法

针对基于二维目标检测和卡尔曼滤波的多目标人体跟踪算法在视频拍摄角度不定的情况下,检测算法生成不同角度人体二维检测框的朝向和尺度混淆以及卡尔曼滤波器随机初始化造成的初始跟踪误差逐步放大问题,提出一种基于相机模型投影的多目标三维人体跟踪算法.在人体检测阶段,提出Multi-task RCNN(MTRC-NN)网络,使用人体...