基于单类SVM 和加权多示例采样方法的目标跟踪算法

基于分类的跟踪算法成为当前目标跟踪的研究热点.首先把跟踪问题看成是一个目标和背景的二分类问题,根据每一帧的正负样本数据训练SVM分类器,通过分类器的分类概率值确定目标位置.然而,采集正负样本边界的那些样本很容易出现异常点,当把它们作为目标的下一帧位置时将会出现严重的跟踪漂移问题.本文在此基础上提出一种基于单类支持向量机(One-class support vector machine)的目标跟踪算法,基于One-class SVM分类能有效地排除其他类的干扰,有效地防止异常样本的出现.并结合加权多示例采样方法,使得每个采样样本会根据不同的权值对于分类器的贡献而不同.实验结果表明本文改进跟踪方法的鲁棒性.     

基于卡尔曼滤波改进压缩感知算法的车辆目标跟踪

针对传统的基于压缩感知技术的目标跟踪算法存在的跟踪漂移问题，提出了一种采用改进压缩感知算法和卡尔曼滤波方法相结合的车辆目标跟踪算法. 首先，通过传统压缩感知目标跟踪算法识别出本帧目标存在概率最大的区域得到观测值； 其次，利用卡尔曼滤波预测本帧的跟踪轨迹得到预测值，通过卡尔曼滤波增益系数对预测值与观测值进行修正，获得最终目标跟踪结果； 最后，在修正后的目标区域周围进行正负样本采样以实现朴素贝叶斯分类器更新，进而实现目标跟踪轨迹的实时更新. 通过实验室试验以及野外实测验证了所提方法的可行性，相较于基于压缩感知技术的目标跟踪算法，本文所提方法的跟踪结果平均误差分别降低了48%和89%，跟踪轨迹更加趋近车辆真实运动轨迹.     

带宽自适应的MeanShift目标跟踪算法

针对传统均值漂移(Mean Shift)目标跟踪算法中核函数带宽缺乏良好自适应调整的缺点,提出了自适应调整核函数带宽的Mean Shift目标跟踪算法.该算法首先采用核函数计算目标颜色特征值的概率密度,在视频当前帧目标的最优位置区域由目标颜色特征概率投影生成目标概率密度分布图;然后根据概率密度零阶矩值调整下一帧跟踪窗口...     

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。     

基于暗通道去雾的核相关滤波目标跟踪算法

雾霾天气进行目标跟踪时,会出现拍摄到的图像对比度和可见度低的情况,已有的跟踪算法会因为图像特征不明显而出现跟踪漂移甚至导致跟踪失败.针对这一问题,提出一种将核相关滤波与暗通道去雾算法相结合的雾天视频跟踪算法,首先根据目标区域暗通道图的平均灰度值判断是否需要去雾,对需要去雾的图像进行暗通道去雾处理;然后通过核相关滤波对目标进行定位和跟踪;最后根据跟踪结果用去雾后的样本更新分类器.实验结果表明,该算法在大雾情况下可以取得很好的跟踪结果.     

IPNet:帧间预测校验的多域卷积神经网络目标跟踪算法

针对现有卷积神经网络分类预测MDNet算法在线更新机制容易将错误样本引入网络模型,导致跟踪算法失效的问题,提出一种基于帧间预测校验的MDNet目标跟踪改进算法IPNet。该算法运用视频压缩领域的帧间预测方法和聚类算法,在前一帧目标跟踪位置的基础上,计算前后连续两帧中目标的相似度,估计出目标下一帧可能出现的候选区域,实现目标位置预测,达到校验跟踪结果的目的。IPNet算法能有效减少更新样本导致的跟踪失效问题,改善了在目标旋转、快速运动以及背景混杂等情况下的跟踪效果,提升了算法的跟踪性能。     

基于特征分组的在线目标跟踪算法

在线目标跟踪是计算机视觉领域的一个具有挑战性的问题.提出了一种基于特征分组的在线目标跟踪算法.首先,利用像素点在多帧的方差对模板库中的目标模板进行特征分组.然后,利用主要特征图像和次要特征图像学习投影矩阵P,对样本进行投影.最后,利用最小误差法得出当前帧的跟踪结果.与其他典型算法相比,该算法对目标的异常变化具有很强的鲁棒性.     

一种采用排名机制的分块在线压缩跟踪算法

基于分类学习的目标跟踪在面对环境中光照变化、目标姿态变化以及遮挡等复杂环境下容易出现漂移问题,为此提出一种基于分类器融合的压缩感知目标跟踪算法。使用压缩感知理论分块提取目标压缩特征,根据贝叶斯后验概率对特征进行筛选以构建目标模型,并提出一种二阶段样本搜索方法,通过粗搜索缩小样本的搜索范围,利用基于分类器排名的细搜索方法精确地找到目标的位置。实验表明,该算法与当前主要的算法相比具有较高的跟踪精度,以及良好的鲁棒性和实时性。     

基于自适应压缩跟踪算法的视觉目标跟踪

针对压缩跟踪算法在目标发生遮挡、快速移动、有相似目标情况存在跟踪漂移的问题,提出了基于卡尔曼滤波的自适应学习压缩跟踪算法.该算法首先利用压缩跟踪算法对目标进行定位,然后根据跟踪结果的置信图对分类器参数自适应更新,当判定目标严重遮挡时,利用卡尔曼滤波进行预测估计.实验结果表明,该算法相比目前先进的算法有更好的跟踪精度和鲁棒性,且算法平均跟踪速度39帧/s,能够满足实时性的要求.     

基于压缩感知的在线多示例学习目标追踪

近年来提出的多示例学习算法在一定程度上能够克服模板漂移问题。然而,在线学习需要获取足够多的有用数据才能达到稳定的追踪效果,但是这却增加了算法的复杂度。为了解决这一问题,在压缩感知理论的基础上,运用随机观测的方法对多尺度图像特征进行降维,提取的这些低维特征中包含大量的有用信息。因此,我们提出的算法是先利用压缩感知理论提取目标特征之后,再使用在线多示例学习算法分类器对这些特征进行分类从而实现目标的稳定跟踪。通过对不同的图像序列进行实验,结果表明基于压缩感知的在线多示例学习算法对实时的目标追踪有很好的适应性。     

试论对象和对象模型

首先讨论面向对象技术的两个基本概念：对象和类，然后提出用于分析、设计和实现软件系统的对象模型。     

HMCAIC软件开发中的对象行为模型和对象交互模型的设计

:结合HMCAIC软件开发实际,论述软件中主要的对象行为模型(ObjectBehaviour Models—OBM)和对象间的交互模型(ObjectInteractive Models—OIM)的设计.通过应用OSA 方法建立对象模型,清晰地勾勒出软件模块,为软件的详细设计和程序代码实现奠定坚实的基础     

Object as Agent

Ｉｎｏｂｊｅｃｔｏｒｉｅｎｔｅｄｄｅｓｉｇｎ（ＯＯＤ），ｔｈｅｃｏｎｃｅｐｔｏｆｏｂｊｅｃｔｇｅｎｅｒａｌｙｒｅｆｅｒｓｔｏｔｈｅｏｂｊｅｃｔｏｆａｃｔｉｏｎ，ｗｈｉｃｈｉｓｉｔｓｎａｉｖｅＥｎｇｌｉｓｈｍｅａｎｉｎｇ（Ｔｈｅ‘ｏｂｊｅｃｔ’ｉｎ...     

基于学习对象的课程构建

在学习对象概念的基础上,结合学习资源构建标准提出了一种课程构建思想。并深入讨论可重用学习对象(RLO)在课程设计中的运用以及内部元素构建原则,为课程设计开发人员提供一个基于学习对象的模板进行教学课程设计开发。学习对象构件可相互组合并快速更新,提高了课程的重用性。     

浅析面向对象分析中对象的识别

本重点介绍了对象的概念、面向对象分析技术中标识潜在对象的方法、利用coad和yourdon分析法筛选潜在对象的技术等。同时结合实例进行了剖析。     

专家系统中基于模糊对象匹配的研究

提出并研究一种新的知识表达模型"模糊对象".它突破传统的精确模型,是一条将模糊理论和面向对象技术应用于专家系统的途径.详细分析了该模糊对象模型的意义、知识表达结构以及它在模糊专家系统中的推理机制.并应用格贴近度和综合函数γ-operator两种方法计算模糊对象与规则中各种模糊对象模式之间的匹配程度.实验表明,该方法能显著地提高信息的准确性和有效性.最后探讨了用基于模糊专家系统外壳FuzzyCLIPS实现这一方法的可行性.     

用OWL绑定学习对象元数据

随着学习对象的增加,对学习对象的管理、查找、评价和共享需要通过元数据来实现。目前一般用XML或RDF绑定元数据。由于XML绑定缺乏语义性,RDF绑定虽然具有一定的语义性,但是其表达的语义不够。于是提出了用OWL绑定学习对象元数据,通过OWL提供的大量建模原语,可以为学习对象元数据增加更多的语义描述信息,从而更好地实现学习对象的语义查询。     

复杂对象模式的规范化设计

该文给出了复杂对象模式的规范化设计。复杂对象模式的规范化设计不仅是将对象组合到相关联的关系中，而且要选择一个能很好地表示对象间的语义关系的结构。首先，基于对象间的语间关系，定义对象依赖；然后定义对象范式－－规范化对象模式树和规范化对象模式森林，并且讨论对象范式的特性，指出规范化对象模式森林是所要求的复杂对象模式的结构；最后给出了导出规范化对象模式森林的MIMI算法。     

CORBA对象的实现

本文简要说明了CORBA的定义，详细介绍了CORBSA对象的含义及其在C＋＋环境中的实现，并且讨论了对象实现与对象适配器BOA的连接方式。     

分布式对象计算技术及对象互连技术

随着面向对象技术的不断发展,将这一技术用于分布式计算已成为必然,并由此形成了分布式对象计算（ＤＯＣ）技术．论述了ＤＯＣ的主要特点和关键技术,介绍了一些ＤＯＣ框架实现这些技术的方法．并给出了目前最流行的ＤＯＣ框架——ＣＯＲＢＡ的实现方法．