基于分布场的特征融合重检测鲁棒性跟踪算法研究

论文针对分布场目标跟踪算法中使用分布场的目标模型估计鲁棒性较弱的问题,提出了一种将分布场与其他特征有效融合的方法。在对每个像素点进行分布场估计时,原始算法仅通过该点的灰度直方图来估计其在灰度空间上的分布,并没有考虑该点的位置与结构信息。为了实现在分布场中对目标的结构信息的有效表示,本文通过对目标中包含结构信息的特殊点进行特殊编码实现特征融合。此外,引入失败检测机制提高算法的精确度。实验证明,在光照变化的情况下,融合了结构信息的分布常比原始分布场在目标跟踪的效果有很大提升,且优于当前流行的目标跟踪方法。

测量报告数据的谱分析压缩算法

针对网络带宽难以满足海量测量报告传输要求,定义了测量数据的谱,并提出了测量报告数据的谱分析压缩算法.该算法通过分析测量数据的谱,提出了对数据完成两次排序的预处理方案,减少了数据冗余的间隔距离,以期提高上下文的命中率.其次,该压缩算法构建了测量数据的多个上下文模型,并作为单层神经网络的输入结点.神经网络通过对每个上下文模型的预测概率线性组合,得到对下一比特的预测概率,并用真实的下一比特来调整对应输入结点的权重,提高匹配历史信息的概率.实验结果表明,在采用该压缩算法后,算法的运行时间明显减小,压缩率随被压缩数据量的增大而提高.与其他通用压缩算法相比,该算法能有效提高测量数据的压缩率,从而达到减少网络数据传输量的目的.