基于无监督学习的行人检测算法

提出了一种基于无监督学习的行人检测方法,用以解决学习样本未标记的问题。将深度学习应用于行人识别,数据增强用来生成额外的训练数据而无需对训练样本进行标记。利用无监督卷积稀疏自动编码器进行前期训练获得特征,在此基础上,利用端对端监督训练对分类器进行训练,同时对获得的特征进行微调得到最终的行人特征。INRIA数据集中的实验结果表明,无监督学习获得的特征提高了检测率,证明本文方法的可行性和有效性。

基于Mean Shift和Kalman滤波相结合的运动目标跟踪方法

为了使Mean shift算法能跟踪快速运动目标和大比例遮挡的目标,算法引入Kalman滤波对目标位置进行预测,Mean shift在预测位置邻域内搜索目标位置。同时对引入Kalman滤波的算法进行试验分析发现,不能有效的跟踪运动状态突然变化的目标,为此提出采用两次Bhattacharyya系数大小判断的方法。实验证明,提出的算法能够有效的跟踪运动目标,对于快速运动目标、大比例遮挡的目标以及运动状态突变的目标都有很好的跟踪效果,具有很好的鲁棒性。