记忆驱动的空时相关滤波跟踪算法

为解决目标跟踪中目标形变、遮挡等因素导致目标外观大幅度变化的问题,提出了记忆驱动的空时相关滤波跟踪算法。首先使用交叉熵公式度量前、后两帧模型的差异,以确定样本的置信度;然后通过置信度储存跟踪目标的外观记忆,并使用外观记忆对模型做时间上的约束,以增加跟踪模型的抗干扰性。基于公开数据集OTB2015进行算法性能测试,结果显示,所提出的目标跟踪算法的跟踪精度和跟踪成功率皆有所提升,尤其是对目标遮挡、形变类视频的跟踪效果提升显著。

基于迭代重加权的高阶张量图匹配算法

图匹配是计算机视觉中基础且重要的一个问题。稀疏约束作为一种有效的优化方法,被广泛应用于机器学习和图像处理中。传统的图匹配方法并不能获得足够有效且稀疏的近似解,为解决这个问题且进一步探究稀疏优化在图匹配中的应用,故引入一种L_(1/2)范数以改进高阶张量图匹配模型,并提出了基于迭代重加权的方法以近似求解该非凸非光滑模型。通过标准实验数据集上的对比实验表明,基于迭代重加权的高阶图匹配算法可以得到更加有效且稀疏性强的解,提高了匹配准确率。同时在抵抗匹配噪声的表现上优于传统算法,具有更强的鲁棒性。

自步上下文感知的相关滤波跟踪算法

针对目标跟踪中的目标尺度变换、遮挡、快速运动等问题,提出自步上下文感知的相关滤波跟踪算法。首先在正则化最小二乘分类器中引入目标的全局上下文信息,使得这些上下文信息能够被滤波器所学到,并对目标产生高响应,对上下文信息接近零响应;然后引入自步学习,给每一帧的目标和上下文信息赋予权重,挑选出可靠的目标和上下文信息,更新滤波模板;最后学习得到稳健和高效的外观模型。实验表明本文算法在距离精度(DP)提高了2. 81%,成功率(SR)提高了13. 9%,具有较好的跟踪效果。

基于张量分解的域适应算法

由于训练数据易过期,在多数情况下训练数据和测试数据具有不同的特征分布,因此在利用源域信息时,须先尽量减小不同领域的特征分布的差异。使用张量表示特征可以维持高维空间数据的本征结构信息。朴素张量子空间学习法虽然是面向张量特征的域适应方法,但其复杂度较高,且没有达到较好的知识迁移效果。为此,文中提出了基于张量分解的域适应算法,即张量列子空间学习法和张量环子空间学习法,二者的主要思想相似。首先,使用张量表示源域和目标域的特征;其次利用张量分解方法,将特征分解为一系列三阶张量来表示子空间;然后,依次将源域特征和目标域特征映射到子空间中;最后,将特征张量重塑为矩阵形式,基于映射后的源域特征训练模型,基于映射后的目标域特征完成新领域的任务。实验结果表明,在无监督图像分类中,张量列子空间学习法和张量环子空间学习法在准确率和运行时间方面都有所提升。相比于朴素张量子空间学习法,张量列子空间学习法和张量环子空间学习法的准确率分别提高了1.68%和2.08%,且运行时间也有明显减少,算法复杂度较小。实验数据充分说明,基于张量分解的域适应算法充分减小了源域特征和目标域特征之间的差异,实现了不同领域间的知识复用。