基于半监督协同训练的无人机对地目标跟踪

由于目标小、可区分性差,无人机对地目标跟踪较传统视频目标跟踪更容易丢失目标,提出一种基于l1图半监督协同训练的目标跟踪算法。算法首先提取样本的颜色和纹理特征构建两个充分冗余的视图,再以基于l1图的半监督学习算法取代传统协同训练中的监督学习方法构建单视图中的分类器,提高有限标记样本条件下的分类正确率,然后通过基于负类学习的协同训练算法协同更新两个视图的分类器,最后根据不同视图的相似度分布熵融合各分类器的分类结果实现目标跟踪。实验结果表明,该算法能够有效提高分类器的判别能力,具有良好的跟踪性能。     

基于随机子空间的半监督协同训练算法

 半监督学习是近年来的一个研究热点.协同训练(co-training)是利用未标记数据来提高传统监督学习性能的一种半监督学习范式.本文提出一种基于随机子空间的协同训练算法(RAndom Subspace CO-training,简称为RAS-CO).该算法探讨多视图的协同训练.用随机判别的理论分析了算法的分类精度和泛化能力.讨论了随机子空间的维数和个数对分类性能的影响.在UCI数据集上的实验结果表明,与其它同类算法相比,RASCO算法有较好的性能.     

基于半监督多视图特征协同训练的网络恶意流量识别方法

针对恶意流量样本特征变化较快,准确标记困难的问题,提出了一种基于半监督多视图特征协同训练的网络恶意流量识别方法.该方法能够使用大量的未标记数据协同训练分类模型,提升分类模型的泛化能力.使用原始字节流特征和网络流统计特征,构建两种特征视图,借助协同训练框架进行半监督的恶意流量识别.分别使用两个公开数据集对模型训练和测试,...     

基于HOG及在线多实例学习的目标跟踪算法

传统的基于色彩直方图或空间色彩直方图的跟踪算法在跟踪目标出现尺度变化的复杂条件下,因无法显著区分颜色相近的目标和背景,不能得到准确跟踪结果.提出基于HOG及在线多实例学习的目标跟踪算法.此算法采用HOG特征值提取方式,结合在线多实例学习技术,对目标远离场景、平移、旋转、遮挡等情况进行跟踪.实验结果表明,该算法能够对各种复杂情况下的动态目标进行有效跟踪,具有良好的鲁棒性和准确性.     

基于子空间半监督学习线性判别方法的目标跟踪技术研究

文中提出一种基于半监督学习的线性判别方法用于目标跟踪。首先,根据少量的目标图像和背景图像样本,利用增量线性判别分析在子空间中找到最大化标记样本分类间隔的分类面;然后在当前帧采样,获得大量未标记的图像样本并投影到子空间中,通过半监督学习修正分类面,在这些候选目标中找到离目标最近、离背景最远的作为目标在当前帧的状态估计;最后,在分类结果中挑选置信度高的目标图像和背景图像样本加入到训练集中,删除训练集中置信度低的目标图像和背景图像样本,并更新投影子空间的基。实验结果表明,所提方法可以很好地适应目标的各种变化,并获得比基于监督学习方法更好的效果。     

基于可变形模型的目标跟踪算法

近年来目标跟踪技术的研究已经有了很大的进展,但目标的遮挡和形变仍然是目标跟踪算法面临的重大挑战。针对这些问题提出了一种基于可变形模型的目标跟踪算法。首先,利用可变形模型对跟踪目标进行表达,该模型将目标分为若干子块,目标的特征由局部子块特征和全局特征共同构成。将目标的特征和子块之间的空间关系结合起来,给出了对目标的一个统一的相似度度量函数。然后,在线训练一个结构化输出支持向量机作为分类器,该分类器的输出是可变形模型中目标的结构化描述。利用该分类器可以在视频及图像序列中准确地检测到目标,完成跟踪。通过实验比较,该算法的跟踪性能优于其他主流跟踪算法,尤其在目标发生遮挡和形变的时候仍能准确跟踪。     

基于稀疏表示模型的红外目标跟踪算法

针对红外图像序列中目标与背景的对比度低、灰度特征易受噪声影响等问题,提出了一种基于稀疏表示模型的红外目标跟踪算法。在粒子滤波的理论框架基础之上,采用目标在超完备字典中的稀疏表示作为观测模型,对红外目标进行描述,从而利用了图像的稀疏表示本身对噪声和遮挡不敏感的特性,可以有效地减弱背景杂波和噪声对跟踪算法的不利影响。此外,采用了一种在线学习的方法来完成对超完备字典中目标子空间的更新,使其不断地适应背景杂波、光照等各类因素引起的目标外观变化。实验结果表明所提出的算法是稳健和有效的。     

基于多区域的随机蕨在线目标跟踪算法

原始的随机森林跟踪算法,是以像素点的灰度值作为检测特征,在目标发生遮挡和旋转时,容易产生跟踪漂移,为此本文提出了一种基于多区域融合的随机蕨在线目标跟踪算法.首先将目标候选区域划分为多个子区域,然后采用基于积分图的随机蕨分类器对每个子区域的候选图像块进行分类,在跟踪过程中自适应地融合子区域分类结果以剔除被遮挡子区域对目标跟踪结果的影响,同时更新随机蕨特征和子区域图像块的选择.结合对TLD算法部分模块的改进,通过对不同视频序列进行测试,实验结果显示本文算法在跟踪大小320 pixel×240 pixel的视频序列时,跟踪速度达到20~30 frame/s左右,目标中心位置误差在30 pixels时,算法准确率可达到80%以上.     

基于三维在线表观模型的粒子滤波目标跟踪算法

提出的基于三维在线表观模型的粒子滤波目 标跟踪算法,以目标的独立特征为基础,分别从空域和时域对目标进行描述,构建目 标的三维表观 模型,并通过多重线性空间理论表达目标表观随时间推移引起的变化,实现模型的在线增 量更新。采用 粒子滤波方法,对每个独立线索分别进行在线权重估计,通过多线索的融合实现动 目标的稳定跟踪。 三维在线表观模型和在线跟踪机制使跟踪模型对目标与背景的在线区分能力得到进一步增强 ,保证了算法 在目标表观变化时的跟踪稳定性。通过多种目标表观复杂变化的场景验证,均取得了良好 跟踪效果。     

基于自适应深度稀疏网络的在线跟踪算法

视觉跟踪中,高效鲁棒的特征表达是解决复杂环境下跟踪漂移问题的关键。该文针对深层网络预训练复杂费时及单网络跟踪易漂移的问题,在粒子滤波框架下,提出一种基于自适应深度稀疏网络的在线跟踪算法。该算法利用ReLU激活函数,针对不同类型目标构建了一种具有自适应选择性的深度稀疏网络结构,仅通过有限标签样本的在线训练,就可得到鲁棒的跟踪网络。实验数据表明：与当前主流的跟踪算法相比,该算法的平均跟踪成功率和精度均为最好,且与同样基于深度学习的DLT算法相比分别提高了20.64%和17.72%。在光照变化、相似背景等复杂环境下,该算法表现出了良好的鲁棒性,能够有效地解决跟踪漂移问题。     

结合GLCM与三阶张量建模的在线目标跟踪

为提高目标跟踪算法对多种目标表观变化场景的自适应能力和跟踪精度,论文提出一种结合灰度共生(GLCM)与三阶张量建模的目标优化跟踪算法。该算法首先提取目标区域的灰度信息,通过GLCM的高区分度特征对目标进行二元超分描述,并结合三阶张量理论融合目标区域的多视图信息,建立起目标的三阶张量表观模型。然后利用线性空间理论对表观模型进行双线性展开,通过在线模型特征值描述与双线性空间的增量特征更新,明显降低模型更新时的运算量。跟踪环节,建立二级联合跟踪机制,结合当前时刻信息通过在线权重估计构建动态观测模型,以真实目标视图为基准建立静态观测模型对跟踪估计动态调整,以避免误差累积出现跟踪漂移,最终实现对目标的稳定跟踪。通过与典型算法进行多场景试验对比,表明该算法能够有效应对多种复杂场景下的运动目标跟踪,平均跟踪误差均小于9像素。     

基于差异性评估对Co-training文本分类算法的改进

 Co-training算法要求两个特征视图满足一致性和独立性假设,但是,许多实际应用中不存自然的划分且满足这种假设的两个视图,且直接评估两个视图的独立性有一定的难度.分析Co-training的理论假设,本文把寻找两个满足一致性和独立性特征视图的目标,转变成寻找两个既满足一定的正确性,又存在较大的差异性的两个基分类器的问题.首先利用特征评估函数建立多个特征视图,每个特征视图包含足够的信息训练生成一个基分类器,然后通过评估基分类器之间的差异性间接评估二者的独立性,选择两个满足一定的正确性和差异性比较大的基分类器协同训练.根据每个视图上采用的分类算法是否相同,提出了两种改进算法TV-SC和TV-DC.实验表明改进的TV-SC和TV-DC算法明显优于基于随机分割特征视图的Co-Rnd算法,而且TV-DC算法的分类效果要优于TV-SC算法.     

基于空间和通道注意力机制的目标跟踪方法

目标跟踪是计算机视觉中重要的研究领域之一,大多跟踪算法不能有效学习适合于跟踪场景的特征限制了跟踪算法性能的提升.该文提出了一种基于空间和通道注意力机制的目标跟踪算法(CNNSCAM).该方法包括离线训练的表观模型和自适应更新的分类器层.在离线训练时,引入空间和通道注意力机制模块对原始特征进行重新标定,分别获得空间和通道...     

改进的协同训练框架下压缩跟踪

针对基于传统协同训练框架的视觉跟踪算法在复杂环境下鲁棒性不足,该文提出一种改进的协同训练框架下压缩跟踪算法。首先,利用空间布局信息,基于能量熵最大化的在线特征选择技术提升压缩感知分类器的判别能力,分别在灰度空间和局部二值模式空间建立起基于结构压缩特征的两个独立分类器。然后,基于候选样本信任度分布熵的分类器联合机制实现互补性特征的自适应融合,增强跟踪结果的鲁棒性。最后,在级联的梯度直方图分类器辅助下,通过具备样本选择能力的新型协同训练准则完成联合外观模型的准确更新,解决了协同训练误差的积累问题。对大量具有挑战性的序列的对比实验结果验证了该算法相比于其它近似跟踪算法具有更优的性能。     

一种基于颜色分布的混合视频跟踪方法

传统的Mean shift算法虽然具有简单快速的特点,但在目标被遮挡的情况下无法进行有效的跟踪。与此同时,以Monte Carlo随机模拟理论为基础的粒子滤波虽然可以很好地解决这一问题,但是由于结果的好坏与粒子的数目成正比,计算耗时无法满足系统的实时性要求。该文基于颜色直方图分布,引入自适应选择粒子样本数的采样策略,有效地融合传统Mean shift算法的简单快速和粒子滤波跟踪算法的抗遮挡的优点,在保证跟踪效果的同时减少了跟踪的总体时间花费,有效提高了设计的跟踪系统的实时性。实验证明,该方法在实际的目标跟踪中是有效和稳健的。     

孪生网络框架下融合显著性和干扰在线学习的航拍目标跟踪算法

针对一般跟踪算法不能很好地解决航拍视频下目标分辨率低、视场大、视角变化多等特殊难点,该文提出一种融合目标显著性和在线学习干扰因子的无人机(UAV)跟踪算法。通用模型预训练的深层特征无法有效地识别航拍目标,该文跟踪算法能根据反向传播梯度识别每个卷积滤波器的重要性来更好地选择目标显著性特征,以此凸显航拍目标特性。另外充分利...     

孪生网络框架下融合显著性和干扰在线学习的航拍目标跟踪算法

针对一般跟踪算法不能很好地解决航拍视频下目标分辨率低、视场大、视角变化多等特殊难点,该文提出一种融合目标显著性和在线学习干扰因子的无人机(UAV)跟踪算法.通用模型预训练的深层特征无法有效地识别航拍目标,该文跟踪算法能根据反向传播梯度识别每个卷积滤波器的重要性来更好地选择目标显著性特征,以此凸显航拍目标特性.另外充分利用连续视频丰富的上下文信息,通过引导目标外观模型与当前帧尽可能相似地来在线学习动态目标的干扰因子,从而实现可靠的自适应匹配跟踪.实验证明:该算法在跟踪难点更多的UAV123数据集上跟踪成功率和准确率分别比孪生网络基准算法高5.3%和3.6%,同时速度达到平均28.7帧/s,基本满足航拍目标跟踪准确性和实时性需求.     

基于边界边缘检测的在线产品轮廓跟踪

产品流水线实时检测需有效解决流水线上运动产品的图像跟踪,提出仅选择在视频码流中跟踪目标的一个边界边缘来实现产品轮廓的跟踪。首先利用边缘运动去除背景,随后使用跟踪轮廓的正常方向导数选择边界边缘。准确跟踪是基于减少无关边缘的影响,因此仅选择边界边缘像素。使用边缘运动消除背景边缘需要计算跟踪目标的运动,同时移除边缘的运动和边缘与目标不同方向的运动,从而得到运动产品的轮廓。仿真实验结果表明,该跟踪方法对流水线上的产品有较好的跟踪效果,且具有较强的稳健性。     

一种新的红外目标跟踪方法

提出了一种基于灰度加权和Kalman滤波预测的红外目标跟踪方法。利用带有空间位置信息的目标区域直方图描述红外目标,克服了灰度直方图对图像描述缺少空间位置信息的缺陷,增加了描述的鲁棒性。同时,对跟踪目标的实时位置数据利用卡尔曼滤波校正和预测,增强了跟踪的实时性。实验结果表明,该方法是有效和稳健的。     

基于光流计算的运动目标跟踪方法研究

本文在研究光流原理的基础上,采用光流计算和分析对运动目标进行了较为准确的跟踪。首先对图像进行预处理,包括图像的灰度化,阈值分割和边缘提取;其次通过改进的Lucas-Kanade光流法实现运动目标的检测;最后,求取目标特征点的重心和各点到重心的距离,通过设定合适的阈值,画出目标的跟踪矩形框,从而完成目标的跟踪。