基于复杂网络数据流密度的增量子空间数据挖掘算法

为了提升在复杂网络中对大规模网络数据流进行挖掘时的准确性,提出一种基于复杂网络数据流密度的增量子空间数据挖掘算法,在算法中先对复杂网络的数据流密度进行分析,并根据不同网络的数据流密度来划分社区,进行无向环路遍历来确定数据流的所属社区。再通过增量子空间数据挖掘算法来计算社区网络与数据流的相关度以及数据流所经过的节点与时间的相关系数,从而准确确定目标数据流所处的节点。通过仿真实验结果和数据分析表明,增量子空间数据挖掘算法的数据挖掘精度在节点、社区数较多的情况下仍达到了较高的挖掘精度。

适用于目标跟踪的加权增量子空间学习算法

为了克服目标物外观变化给跟踪造成的困难,提出一种基于加权增量子空间学习的目标跟踪算法.该算法构造了一个可在线更新的子空间作为视频中目标物的外观模型,根据概率转移模型预测得到一组图像样本作为目标物在当前帧中可能出现的图像区域;然后将图像样本投影到该低维子空间中估计每个图像样本为目标图像区域的似然度,以具有最高似然度的样本作为目标在当前帧中的图像区域,通过加权增量的方式调整子空间.实验结果表明:相比基于其他增量子空间学习的跟踪算法,该算法能够稳定、准确地对运动目标进行跟踪.

基于时序特性的自适应增量主成分分析的视觉跟踪

当前基于增量主成分分析(PCA)学习的跟踪方法存在两个问题,首先,观测模型没有考虑目标外观变化的连续性;其次,当目标外观的低维流行分布为非线性结构时,基于固定频率更新模型的增量PCA学习不能适应子空间模型的变化。为此,该文首先基于目标外观变化的连续性,在子空间模型中提出更合理的目标先验概率分布假设。然后,根据当前跟踪结果与子空间模型之间的匹配程度,自适应调整遗忘比例因子,使得子空间模型更能适应目标外观变化。实验结果验证了所提方法能有效提高跟踪的鲁棒性和精度。

基于子空间联合模型的视觉跟踪

目标跟踪是计算机视觉的重要组成部分,其鲁棒性一直受到目标遮挡,光照变化,目标姿态变化等因素的制约。针对这个问题,提出了基于子空间联合模型的视觉跟踪算法。算法为了克服遮挡对目标跟踪的影响,采用局部动态稀疏表示进行遮挡检测,根据遮挡检测结果来修正增量子空间误差。此外,在稀疏子空间基础上计算目标模板和候选模板的相似性。在粒子滤波框架下,联合候选目标增量误差和相似性实现目标跟踪。通过在多个具有挑战性的视频序列上进行实验,表明该算法具有较好的鲁棒性。

基于鲁棒子空间学习的粒子滤波跟踪算法

线性子空间模型能够有效地描述目标表面受到光照和姿势变化的情况,然而大多数基于子空间表面模型的目标跟踪算法是在跟踪之前通过训练不同光照和姿势下目标的观测图像,得到一组特征基,并用这组特征基表示不同时刻目标表面变化,一旦训练完成之后,特征基就保持不变,不能在线更新。采用增量子空间学习的方法来构建目标表面的特征基,该特征基能够在线适应目标表面的变化。另一方面,传统的子空间学习方法是基于最小二乘重构误差,该方法容易受到异常测量数据的影响,为此采用鲁棒的子空间学习方法来降低异常测量数据对特征空间更新的影响。最后将鲁棒特征基表面模型结合状态推理框架中的粒子滤波算法来传播目标的运动参数,达到准确跟踪的目的。

基于改进主动外观模型的人脸识别算法研究

提出一种基于改进主动外观模型AAM(Active appearance model)方法的人脸识别方法。先采用平移不变小波分解图像获得低频系数,把低频系数作为图像的纹理表示,能更充分表征人脸面部的纹理特征。然后采用增量子空间学习算法更新训练样本的特征空间,通过实时对模型的更新和学习,实时更新特征空间更有效地描述样本图像间的相似性或差异性。最后把提取的面部特征点信息作为每个人脸的特征向量,根据最近邻分类器进行人脸识别验证。实验结果证明了该改进方法的有效性。

移动应用数据库中隐蔽数据高效定位方法仿真

为了增强移动应用数据库的数据信息完整性,提升数据利用价值,需要对数据库中的隐蔽数据进行挖掘与定位。针对现有数据定位方法中存在的定位结果误差较大、耗时较长等问题,提出一种基于数据流的移动应用数据库中隐蔽数据高效定位方法。根据移动应用数据库隐蔽数据密度分析结果,利用增量子空间数据挖掘算法计算数据流之间的相关度以及数据流遍历节点的相关系数,依据计算结果获取数据库中的隐蔽数据;采用数据融合异构异质定位方法,将得到的隐蔽数据信息转换到相同的区域内进行信息融合,结合蜂窝融合定位算法,实现移动应用数据库中隐蔽数据高效定位。实验结果表明,所提数据定位方法的定位误差与定位耗时明显低于实验对比方法,验证了所提方法的鲁棒性。

基于多任务混合噪声分布模型表示的视频跟踪

视觉跟踪中,目标信息是不确定的非线性变化过程。随时间和空间而变化的复杂动态数据中学习出较为精确的目标模板并用它来线性表示候选样本外观模型,从而使跟踪器较好地适应跟踪作业中内在或外在因素所引起的目标外观变化是视觉目标跟踪研究的重点。提出一种新颖的多任务混合噪声分布模型表示的视频跟踪算法,将候选样本外观模型假设为由一组目标模板和最小重构误差组成的多任务线性回归问题。利用经典的增量主成分分析法从高维数据中学习出一组低维子空间基向量(模板正样本),并在线实时采样一些特殊的负样本加以扩充目标模板,再利用扩充后的新模板和独立同分布的高斯-拉普拉斯混合噪声来线性拟合当前时刻的候选目标外观模型,最后计算候选样本和真实目标之间的最大似然度,从而准确捕捉当前时刻的真实目标。在一些公认测试视频上的实验结果表明,该算法将能够在线学习较为精准的目标模板并定期更新目标在不同状态时的特殊信息,使得跟踪器始终保持最佳的状态,从而良好地适应不断发生变化的视觉信息(姿态、光照、遮挡、尺度、背景扰乱及运动模糊等),表现出更好的鲁棒性能。

基于局部稀疏表观模型的目标跟踪

针对基于特征点匹配的跟踪算法只能处理纹理丰富的图像,L1 跟踪算法会发生跟踪漂移,本文提出-种基于局部稀疏表观模型的跟踪算法.该算法采用稀疏表示和局部图像块重叠采样建立目标外观模型,通过平均化对齐汇聚操作获得候选目标的向量表示,结合稀疏表示和增量子空间算法来更新模板,在贝叶斯框架下,将跟踪看成是求解最大后验概率的问题.整个算法的框架分为构建字典、候选目标的稀疏表观模型、计算后验概率、模板更新四个模块.实验表明该算法在很多经典视频中取得了较好的结果.