使用离散小波变换压缩语音模板

小波变换作为一种新型的信号处理方法，因其可以对信号进行多分辨率分析并有高效算法，所以在DSP上得到了广泛应用。利用语音信号的相关性，可以使用小波变换来压缩语音模板。实践表明，引入小波变换后，在基本保持系统识别率的前提下，节省模板存储空间，从而达到在相同空间下保存更多词条的目的。

室性早搏的多模板匹配自适应识别算法

为实现室性早搏的自动判别,提出一种基于多模板匹配的自适应识别算法。采用滤波提高数据信噪比,利用样本数据通过特定的自学习机制建立模板库,设计模板的压缩算法实现待测心搏与模板心搏宽度的对齐,采用模板队列匹配和模板库匹配相结合的匹配策略,设计自适应更新规则实时优化队列与库的结构,利用相关系数检测室早。使用MIT-BIH数据库进行测试,达到99.39%的灵敏度和98.79%的特异度。

基于在线学习的压缩模版的目标跟踪算法

利用压缩感知(CS)矩阵建立压缩特征模版,通过在线学习,实现一种更高效的目标跟踪算法。首先利用符合有限等距性质的随机感知矩阵,取得跟踪目标表面特征的压缩模板;然后利用模板匹配确定目标区域,同时在跟踪过程中在线学习目标外观变化,并以此更新目标模板。采用了局部模板更新策略,使目标模板更为准确,更能体现目标的变化状况。采用了模板匹配的确定性跟踪方法,大大减少了大量正负样本的采样,降低了算法复杂度。实验结果表明,与压缩跟踪(CT)算法相比,本文的基于在线学习的压缩模版跟踪算法在时间性能上有了明显提升,采用Kalman滤波器加速跟踪可提高6倍以上的时间性能,在多个标准测试序列中的跟踪成功率也有了明显提高,有效地防止了跟踪中的漂移现象。