样本分块稀疏表示判决式目标跟踪

为了提高目标跟踪算法的鲁棒性和准确性,提出了一种粒子滤波框架下的样本分块稀疏表示判决式跟踪算法。算法在首帧提取目标模板和背景模板,并将这些模板进行分块,构建模板字典。然后将候选目标进行分块处理,并使用模板字典稀疏重构候选目标分块,从而获得候选目标的稀疏系数和残差,进而构建一款贝叶斯分类器。分类器的输入为候选目标稀疏系数和残差中提取的相似度信息,输出为候选目标与真实目标的相似度。分类器通过跟踪过程中获得的正负样本进行训练,使之能够适应目标和背景的变化。最后,将所提算法在八组具有挑战性的视频中进行测试,平均跟踪误差为5.9个像素,跟踪成功率为89%。与选取的三种先进的算法比较,所提算法具有更高的鲁棒性和准确性。

模式识别中的支持向量机方法

针对模式识别问题,描述了支持向量机的基本思想,着重讨论了ν-SVM、最小二乘SVM、加权SVM和直接SVM等新的支持向量机方法,用于降低训练时间和减少计算复杂性的海量样本数据训练算法分块法、分解法,提高泛化能力的模型选择方法,以及逐一鉴别法、一一区分法、M-ary分类法、一次性求解等多类别分类方法.最后给出了污水生化处理过程运行状态监控的多类别分类实例.作为结构风险最小化准则的具体实现,支持向量机具有全局最优性和较好的泛化能力.