Mean-Shift跟踪算法中核函数窗宽的自动选取

传统核窗宽固定的Mean-Shift跟踪算法不能很好地对逐渐增大尺寸的目标进行有效的跟踪.在分析同一目标在不同尺度下核直方图基于Bhattacharyya系数相似性的基础上,发现并证明了在核窗宽固定的条件下,目标在其窗宽范围内进行缩放、平移运动并不影响Mean-Shift跟踪算法空间定位的准确性.在此基础上,提出了一种基于后向跟踪、形心配准的核窗宽自动选取算法.对尺度渐大的车辆进行的跟踪实验验证了该算法的有效性.

样本选择模型截距项的半参数估计及应用——户籍工资差异分解研究

样本选择模型是解决样本选择问题的主要工具,广泛应用于工资差异分解、平均处理效应测算等实证研究。截距项的估计是样本选择模型半参数估计中相对独立且重要的一部分,现有的以无穷处识别为代表的半参数估计方法存在窗宽参数难以选取的问题。为此,本文把无穷处识别等价转化为边界处识别,并基于新的识别关系给出样本选择模型截距项的核估计方法。这种新方法的好处在于将样本选择模型截距项的估计纳入核估计框架中,从而可以采用经验法则解决现有方法的窗宽选取难题。数值模拟结果表明,本文所提出的估计方法在不同设定下均有良好的有限样本表现。把这种新的半参数估计方法应用于户籍工资差异分解后发现,我国劳动力市场目前不存在明显的户籍差别待遇。