基于核相关性滤波的长时间目标跟踪方法

针对目标位置、尺度等快速变化易导致跟踪失败以及目标丢失后无法重新跟踪目标的问题,提出了一种基于核相关性滤波的长时间目标跟踪算法。算法引入多尺度检测的思想,对跟踪目标的最优尺度进行搜索,有效地提高了目标快速变化时的跟踪器鲁棒性。同时算法引入TLD算法框架,增加检测模块与学习模块,在跟踪器跟踪失败是对目标重新锁定,并且引入扩展卡尔曼滤波对检测扫描区域预测,可提高算法的运算速度与准确度。试验结果表明:论文研究基于相关性滤波的长时间目标跟踪算法可实现较稳定的长时间目标跟踪。

基于GM(1,1)尺度估计的核相关性滤波跟踪方法

针对在目标视觉跟踪过程中目标尺度变化导致跟踪精度下降的问题,提出了基于GM(1,1)尺度估计的核相关性滤波跟踪方法。在核相关性滤波跟踪算法的基础上引入GM(1,1)灰色预测模型对目标尺度进行预测,并设计尺度估计流程估计当前目标尺度,有效地解决了尺度变化明显导致跟踪性能下降的问题。最后利用OTB-100视频序列数据集测试算法的性能,测试结果表明在目标尺度明显变化时,该算法仍具有较好的跟踪性能,可实现稳定准确的目标跟踪,有效地提高了核相关性滤波跟踪算法的跟踪性能。

基于最优相关滤波的光照容限二维子空间人脸识别

针对光照容限人脸识别问题,提出了基于最优相关滤波的光照容限二维子空间人脸识别方法。通过采用特定类2DPCA重构人脸图像,从中生成一对相关性过滤器。利用最优投影图像相关性过滤器将测试人脸图像投影到二维子空间,并利用重构相关性过滤器重构图像。根据预先设定的光照容限阈值进行人脸分类。在YaleB和PIE两大人脸数据库上对所提出方法的性能进行了评估,相比其他现存的相关性过滤器,所设计的滤波器更加优越。

基于可靠相关度的实时多模态目标跟踪方法

针对低照度、背景杂乱等较差条件下的目标跟踪不稳定问题,论文研究了如何自适应利用多模态信息有效并快速地实现目标的持续稳健跟踪.为此,提出一种基于可靠相关度的实时多模态目标跟踪方法.给定空域上、时序上均对齐的热红外和可见光视频序列,使用在线训练的相关性滤波器对视频帧进行滤波,得到各个模态下的目标置信度图.然后,把目标置信度图的峰值主副比作为模态可靠性的度量,以此选择最为可靠的目标置信度图,得到最优的跟踪结果.同时,提出一种简单有效的多模态更新方法,使得不同模态的目标模型能够适应目标外观的变化,且避免噪声的影响.为了全面地评价论文方法,构建了一个包含6组多模态视频,其中包含了多种挑战因素,如低照度、热交叉等.实验结果表明,论文方法比其他方法提高了25%左右的跟踪精度.

考虑风速属性约简聚类的组合预测模型

精确的风速预测对于规模化风电并网及系统运行具有重大意义。提出了一种基于快速相关性约简优化K-mediods聚类的双层长短时记忆网络短期风速预测模型。首先,计算各风速序列及其属性序约简优化K-mediods聚类的双层长短时记忆网络短期风速预测模型。即计算各风速序列及其属性序列的相关程度信息熵,运用快速相关性滤波算法进行属性约简,以降低属性维度及删除冗余属性。然后,采用改进K-mediods对约简后的风速数据进行聚类,得到风速关联属性优化序列,保证类内信息准确全面,并利用双层长短时记忆网络挖掘深层特征及短期预测。最后,通过对实际风场风速进行预测,并与实测数据对比,验证了预测模型的准确性及有效性。结果表明,所提方法在风速属性数据的优选方面具有较大优势,通过保留关联紧密的属性信息提高了预测的精度。

玉米籽粒激光切片定位技术

玉米籽粒形态各异、尺寸不一,精确定向和定位玉米籽粒的激光切片是实现高通量全自动玉米分子育种基因型分析的关键。应用机器视觉技术从玉米籽粒图像中准确识别玉米籽粒的特征区,以期实现上述操作。为描述像素所在空间的相关信息,设计一种相关面积占比滤波器。定义圆形掩模模板,根据单玉米籽粒的面积,确定模板尺寸。利用圆形模板筛选像素点数据,得到待分类数据集合。通过指定初始聚类中心,对数据执行二分均值聚类,得到尖端类和两个大端外凸角类的聚类中心。通过贴标签运算精选连通域,校正聚类中心的位置,生成尖端和大端外角特征区的精确标记。依据大端外凸角附近的两组插值点对,得到激光切割线的位置,利用尖端类定位点和玉米籽粒形心定位点确定玉米籽粒的夹持位姿。与SUSAN检测方法对比,表明了本文方法的有效性。

基于优化近邻传播聚类的CMN风速预测

提出一种基于快速相关性约简和近邻传播聚类的卷积记忆网络短期风速预测模型。计算各风速序列及其属性序列的相关程度信息熵,运用快速相关性滤波算法进行属性约简,以降低属性维度及删除冗余属性;针对风速属性矩阵样本,采用压缩-激励模块(squeeze-and-excitation networks,SENet)构建属性表征序列,以该序列间距为样本相似度,利用近邻传播聚类实现样本集优选重构;构建卷积记忆网络,利用其挖掘深层特征及短期预测。通过对实际风场风速进行预测,对比实测数据,结果表明,该方法在风速属性数据的优选方面具有较大优势,通过保留关联紧密的属性信息,提高了预测精度。

微风速流场数据采集与融合方法研究

在微风速(0~1m/s)空间流场测量中,对传感器精度要求高,实时在线仪表数据精度不够,数据采集滞后性大;考虑采用多个传感器测量提高精度,但也存在数据融合的问题。针对微风速流场测量,提出基于K均值-RBF神经网络的数据采集预处理软测量模型,首先选取中间变量(电流值),运用K均值聚类,用RBF网络训练得到单个传感器数据;提出基于相关性-kalman滤波的传感器数据融合算法,剔除无效数据点,并融合得到精确风速预测值。测量实验和数据结果表明该方法处理的数据结果滞后性小,处理速度快,数据精度高。

Dominant Correlogram Based Particle Filter Tracking

A novel dominant correlogram based particle filter was proposed for an object tracking in visual surveillance. Particle filter outperforms the Kalman filter in non-linear and non-Gaussian estimation problem. This paper proposed incorporating spatial information into visual feature, and yields a reliable likelihood description of the observation and prediction. A similarity-ratio is defined to evaluate the effectivity of different similarity measurements in weighing samples. The experimental results demonstrate the effective and robust performance compared with the histogram based tracking in traffic scenes.