基于分段加权的反向稀疏跟踪算法研究

为提高稀疏表示跟踪模型性能,提出一种分段加权的反向稀疏跟踪算法,将跟踪问题转化为在贝叶斯框架下寻找概率最高的候选对象问题,构造不同的分段权重函数来分别度量候选目标与正负模板的判别特征系数。通过池化来降低跟踪结果的不确定性干扰,选择正负模板加权系数差值最大的候选表示作为跟踪结果。实验表明,在光照变化、遮挡、快速运动、运动模糊情况下,所提出的算法可以确保跟踪结果的准确性和鲁棒性。

反向低秩稀疏约束下的融合Lasso目标跟踪算法

现有的低秩稀疏优化目标跟踪算法容易存在下述两方面问题:①需要求解大量l1优化问题,计算复杂度高.②在目标突变运动情况下,经常出现跟踪漂移现象.为此,提出一种反向低秩稀疏约束下基于融合最小绝对值收缩和选择算子(Lasso)的目标跟踪算法.首先,建立目标表观的反向稀疏表示描述,利用候选粒子反向稀疏表示目标模板,将在线跟踪中l1优化问题的数目由候选粒子数简化为1.其次,将融合Lasso模型引入到目标跟踪建模中,约束表示系数差分的绝对值之和,保证表示系数稀疏性的同时,使其连续性差异亦稀疏.从而限制目标表观在相邻帧间具有较小差异,但允许个别帧间存在较大差异性,以适应目标的突变运动.再次,利用核范数凸近似低秩约束,限制目标表观的时域相关性,以适应目标的外观变化.实验结果表明,面向具有严重遮挡、光照和尺度变化、目标突变运动等挑战性的标准跟踪数据集,提出算法能完成复杂场景下的跟踪任务.与目前几种热点算法进行定性与定量分析比较,提出算法具有更高的跟踪精度和较快的跟踪速度,特别是在目标突变运动情况下具有更好的鲁棒性.

利用增广拉格朗日乘子的鲁棒跟踪算子

针对视频目标鲁棒跟踪问题,提出了一种基于稀疏表示的生成式算法。首先提取特征构建目标和背景模板,并利用随机抽样获得足够多的候选目标状态;然后利用多任务反向稀疏表示算法得到稀疏系数矢量构造相似度测量图,这里引入了增广拉格朗日乘子(ALM)算法解决L1-min难题;最后从相似度图中使用加性池运算提取判别信息选择与目标模板相似度最高并与背景模板相似度最小的候选目标状态作为跟踪结果,该算法是在贝叶斯滤波框架下实现的。为了适应跟踪过程中目标外观由于光照变化、遮挡、复杂背景以及运动模糊等场景引起的变化,制定了简单却有效的更新机制,对目标和背景模板进行更新。对仿真结果的定性和定量评估均表明与其他跟踪算法相比,所提算法的跟踪准确性和稳定性有了一定的提高,能有效地解决光照和尺度变化、遮挡、复杂背景等场景的跟踪难题。

结合侧抑制机制的自动编码器训练新算法

深度学习是目前最热门的机器学习方法之一。针对深度学习中的自动编码器在训练时容易产生网络模型复杂度过高、输出矩阵不够稀疏、小样本训练过拟合等问题,提出一种结合侧抑制机制的自动编码器训练新算法。算法构建了用于隐藏层的侧抑制神经元筛选模型。首先设定抑制限寻找符合抑制条件的神经元,然后通过侧抑制函数对符合条件的神经元进行快速输出抑制,运用反向传播算法对模型进行优化,最终输出权重特征。实验结果表明,算法能够使隐藏层输出近似满足稀疏条件并学习得到更加鲁棒的特征,提高分类正确率的同时还能一定程度上抑制过拟合现象。