生长式子空间的增量PCA非特定道路场景在线学习算法研究

目前交通道路场景学习与识别方法普遍任务单一特定,无法随学习进程而逐渐拓展。文章提出一种基于生长式子空间增量主成分分析方法 (IPCA)的非特定道路场景在线学习算法,根据子空间类间与类内距离设计子空间生长策略,优化子空间生长方式,实现非特定道路场景的在线学习。结果表明,算法能在学习过程中逐渐积累和拓展知识,识别正确率较高,与同类算法相比在计算速度、存储开销上具有较大的优势。

基于自适应增量PCA算法的移动机器人场景识别

现有的场景识别系统往往需要大量场景训练数据进行训练,而收集这些数据往往是困难的,且训练是离线的,添加新的场景需要重新训练,因此系统实时性、可扩展性和鲁棒性较差。提出一种基于增量主成分分析(PCA)的场景在线学习方法,通过增量PCA算法的子空间实时更新能力,并计算样本投影的PCA和设置两个判别阈值θclass、θdistance处理不同的样本情况来达到减少计算量,实现增量的在线学习和识别场景样本的目的。实验表明,此方法有效解决了收集训练数据的困难,实现了场景知识在线积累和更新,大大增强了PCA算法的实时性、可扩展性和鲁棒性。

改进的主动形状模型方法在人脸特征点定位中的应用

主动形状模型ASM(Active shape model)是一种统计参数化模型,主要应用于图像中的特征提取。传统的ASM方法对训练集数据采用PCA方法获得形状特征向量和形状参数,然后根据转换矩阵建立线性的统计参数化的形状模型。在分析传统方法不足的基础上,提出一种改进的主动形状模型定位人脸特征的新方法。该方法采用增量PCA,可以有效解决模型匹配失败和受测试图像影响等因素,同时可对训练集进行纹理模型更新。实验结果表明,改进的方法可以有效提高模型的匹配精度,同时加快了模型定位特征点的时间。

一种改进的Condensation人脸特征点跟踪算法

Condensation跟踪算法只能完成一些简单的目标跟踪。由于人脸容易出现被遮挡,姿态和表情也经常发生变化,导致人脸特征点极易跟踪失败。针对这些复杂变化,提出一种改进的Condensation人脸特征点跟踪算法。该算法对跟踪的特征点利用增量PCA方法实现特征基和均值的在线更新,同时,加入一个遗忘因子,使得在新样本的更新过程中,考虑了旧样本的存在,更新了均值。实验证明,该算法可以有效地克服复杂变化带来的影响,实现了人脸特征点的准确跟踪。

基于自适应粒子滤波的ASM新技术

ASM已经被广泛应用于视频流中的人脸跟踪,但大多局限于头部运动较缓慢的正面人脸跟踪,很难精确跟踪复杂背景、恶劣光照和部分遮挡条件下的人脸。本文结合粒子滤波预测跟踪人脸,改进传统ASM方法,实现人脸特征点的精确定位。实验表明,该方法能有效提高ASM搜索的精确度和鲁棒性。

基于稀疏表示和粒子滤波的在线目标跟踪算法

针对目标跟踪过程中由于外形变化或者遮挡所造成的跟踪效果下降或导致漂移的问题,提出一种粒子滤波框架下基于稀疏表示的在线目标跟踪算法.采用分层梯度方向直方图(PHOG)特征对目标模板进行描述,并且每一个候选模板都可以通过PHOG基向量和琐碎模板进行稀疏表示,进而利用L1范数最小化方法进行最优求解.为保证在遮挡的情况下目标跟踪的精度,对目标遮挡部分和非遮挡部分进行拆分建模,并利用PCA子空间增量学习的方式不断更新目标跟踪模型.通过对具有挑战性的跟踪视频进行定性和定量分析,实验证明该方法在跟踪精度上要优于传统的跟踪方法.

无线通信网络节点间通联关系的发现与更新算法

无线通信网络的节点间通联关系发现问题是网络层面通信对抗的一个重要问题。由于很难直接获得无线通信网络中节点间的通联关系,利用各节点的通信行为数据来进行通联关系发现是一个有价值的方向。考虑到各节点间的通信行为的关联,利用数据挖掘中的关联规则挖掘方法可以有效地从通信行为数据库中发现节点间的通联关系,将通联关系的发现问题转为关联规则挖掘问题,但现有的算法都不能高效地解决通信行为数据库变化时的通联关系更新问题。提出了一种针对无线通信网络进行节点间通联关系发现和更新的新算法。算法主要基于增量式PCA算法和矩阵变换,能够有效地从变化的庞大通信行为数据库中进行通联关系发现和更新。仿真实验表明算法在时间复杂度和结果准确度上均具有优势。