预测轴承寿命的gate递归单元特征融合域自适应模型

采用现有的数据驱动模型对不同工况下的轴承剩余使用寿命(RUL)进行预测时,精度会大幅下降。针对这一问题,提出了一种基于门控递归单元特征融合领域自适应(GFFDA)模型的轴承RUL预测方法。首先,采用信号分析方法对轴承振动信号进行了特征提取,并采用特征评价的方法选择出了5个最优特征,在最优特征的基础上,采用粒子群算法优化后的支持向量机的方法对轴承的健康阶段进行了划分;然后,选择目标域和源域退化阶段的最优特征子集作为GFFDA模型的输入,采用源域数据对特征提取器和寿命预测模块进行了预训练;最后,更新了目标特征提取器和寿命预测模块,对目标域的RUL进行了预测;并使用西安交通大学的轴承数据集对该GFFDA模型的有效性进行了验证。研究结果表明:相比于现有的数据驱动模型,GFFDA模型具有更好的跨工况分析能力和更出色的信息提取能力;同时,在对变工况的轴承寿命进行预测时,采用GFFDA模型具有更好的性能。

特征融合和模型自适应更新相结合的相关滤波目标跟踪

提出了一种基于自适应特征融合和自适应模型更新的相关滤波跟踪算法(CFT)。该算法在跟踪的训练阶段利用损失函数计算特征的自适应权重,在检测阶段对不同特征的响应图进行加权求和,从而实现了响应图层面的自适应特征融合。设计了自适应的模型更新策略,采用响应图的峰值旁瓣比判断是否发生遮挡或错误跟踪,据此决定是否在当前帧更新目标模型。在11个视频序列上对所提算法进行了实验,验证了所采用的自适应特征融合策略和自适应模型更新策略的有效性。与多个传统的采用单特征的相关滤波跟踪算法进行了比较,结果显示,所提算法的跟踪精度和成功率典型值分别提升了18.2%和11.5%。实验结果验证了特征融合和自适应模型更新对跟踪算法的改进具有指导意义。

自适应特征融合和模型更新的相关滤波跟踪

针对复杂场景下单个特征的稳健性差,以及目标存在背景干扰和目标遮挡时跟踪失败的问题,提出一种基于自适应特征融合和模型更新的相关滤波跟踪算法。该算法在核相关滤波的基础上,通过对不同特征的响应图采用平均峰值-相关能量的方法进行加权求和,实现了响应图层面的自适应特征融合。根据响应图的峰值特性计算自适应权重,以其作为置信度确定模型的更新率,进而设计自适应模型更新方法。实验结果表明,该算法能够很好地适应背景干扰、目标遮挡、旋转运动等复杂场景,与近年来优秀的相关滤波跟踪算法相比,所提算法的平均距离精度比其中最优的算法提高了2.64%,平均重叠精度提高了1.54%。

基于特征融合及自适应模型更新的相关滤波目标跟踪算法

针对单一特征目标跟踪算法因背景干扰、目标遮挡造成的跟踪失败问题,以及跟踪过程中每帧进行模型更新容易造成错误更新和实时性差的问题,提出了一种基于特征融合及自适应模型更新策略的相关滤波目标跟踪算法-多特征自适应相关滤波目标跟踪算法。该算法在特征提取阶段将边缘特征及HOG特征加权融合作为目标特征,加强对边缘特征的学习;在模型更新阶段通过计算预测区域与真实区域的奇异值特征向量相似度,并结合设定的阈值判断是否需要进行模型更新,通过自适应更新的方式减少模型的更新次数。在标准测试视频集下验证所提算法,并与两种经典相关滤波算法进行比较,结果表明该算法能够较好地适应背景干扰及目标遮挡问题,跟踪目标的平均中心误差减少了9.05像素,平均距离精度提高12.2%,平均重叠率提高4.53%。

自适应模型更新的多特征融合目标跟踪算法

针对目标在运动过程中存在遮挡、光照变化、背景因素等复杂情况下的跟踪问题,提出了一种多特征融合的跟踪算法;利用背景加权后的联合直方图来描述目标的灰度和纹理特征信息,提出一种多帧加权组合的模板更新策略,对模板特征分布进行自适应更新,基于当前粒子特征信息可信度加权设计了一种自适应特征融合观测模型,并结合到粒子滤波算法中,从而提高了跟踪算法的场景适应能力;实验结果表明:与基于单一特征的算法相比,该算法的适应性更强,能有效跟踪复杂场景下的运动目标。

自适应尺度特征融合与模型更新的跟踪算法

在核相关滤波器跟踪算法中,为了减少背景相似物等杂波对跟踪器的干扰,以及解决不同跟踪结果置信度下的模型更新问题,提出了自适应尺度特征融合与模型更新的跟踪算法。通过多特征融合和尺度变化策略改进了多特征的尺度核相关滤波器,使用多峰检测对响应图的整体振荡程度进行判断,再对峰值进行跟踪结果置信度评估;在遮挡、形变等跟踪结果置信度低的情况下及时停止模型更新,在高置信度模型更新时,引入初始模型进行对齐操作,减少模型的更新误差,抑制模型漂移。比较核相关滤波器算法,本算法准确度较高,且在目标尺度变化、遮挡和形变时稳定性更好。在OTB-50数据集上的实验结果表明,该算法在精度和成功率上都比核相关滤波器算法表现更优。

基于优化自适应模型的心律失常辅助诊断方法

针对心律失常诊断算法中存在的不平衡数据集诊断准确率及阳性预测值较低的问题,提出一种基于优化自适应模型的心律失常辅助诊断方法;提取心电信号的77维特征并将其融合,使用融合特征训练诊断模型,同时利用改进的粒子群算法优化自适应模型参数;采用优化模型对MIT-BIH心律失常数据库进行诊断实验并与现有方法进行对比。结果表明,本文所提方法在测试数据集的诊断准确率达到98.2%,正常或束支传导阻滞节拍、室上性异常节拍、心室异常节拍、融合节拍的阳性预测值分别达到98.5%、96.1%、95.5%、92.0%,诊断准确率和阳性预测值明显大于现有方法的。

自适应博弈融合的记忆修复跟踪算法研究

针对跟踪任务中出现的目标遮挡和短暂消失等挑战属性,提出了一种结合记忆修复机制的特征博弈融合目标跟踪算法。首先,在核相关滤波器的框架下,提取目标的FHOG特征、SURF特征进行通道串联,再自适应博弈融合ResNet-50网络提取的Conv4-1层深度特征共同构建目标外观模型,避免跟踪算法的特征单一性。然后,改进模型更新策略,通过记忆修复神经元和记忆矩阵实现对特征信息的记忆、回忆和修复,完成遮挡或漂移视频帧的特征损失修复工作,使用修复完整的特征模板对核相关滤波器进行正确更新,提高算法对跟踪对象的辨识度。最后,在OTB100、TC128、UAV123实验基准数据集上与KCF、DCF_CA、SAMF、M2C2F和EMCF算法进行对比测试,实验结果表明改进算法的跟踪准确性和鲁棒性得到提高。

多特征融合目标跟踪算法研究

针对目标跟踪过程出现的遮挡、目标形变、复杂场景等挑战,提出了一种结合记忆机制的精确度较高的视觉目标跟踪算法。该算法首先对目标初始化,提取目标的HOG特征、纹理特征以及CN特征构建特征模型,弥补了单一特征可能造成跟踪不准确的问题。然后将模型和构建的滤波器进行相关滤波操作得到目标搜索区域的最大的响应位置,在后续的视频帧中采用包含了瞬时、短时、长时记忆空间的三层旋转圆记忆模型对目标模板进行更新,有效的增强了算法的跟踪能力。最后在OTB50、TC128、OTB100实验基准数据集上表明,与提到的KCF、DCF_SC、MOSSE_CA、SAMF_AT、STAPLE_CA算法进行对比,该算法在精度和准确度方面提高了,能够较准确的对目标进行跟踪,在目标跟踪领域具有重要的研究价值。

多特征融合的抗干扰目标跟踪算法研究

针对目标跟踪在遮挡和背景复杂等干扰导致的准确率较低的问题,提出了一种多特征融合的目标跟踪算法。算法采用加权系数的方法将HOG特征、CN特征和ULBP特征自适应的融合各个特征分量信息,对检测到的遮挡目标进行加权滤波重定位,以自适应模型更新策略解决跟踪目标在遮挡时导致的跟踪模板被污染的问题。在公开数据集OTB100上进行了实验验证,与传统KCF跟踪算法对比,上述算法在精确度和正确率分别提升了16.2%和14.9%,证明了上述算法可以更加准确的完成跟踪任务。

多特征自适应融合的粒子滤波跟踪算法

针对跟踪过程中目标形态不断变化或部分遮挡导致鲁棒性差的问题,提出一种基于多特征自适应融合的粒子滤波跟踪算法.该算法从视觉特征集中选取了描述能力强的2种特征,并将其按照与目标模型的多尺度相似度进行线性融合;为了减小跟踪漂移,通过计算当前目标模型与初始目标模型的多尺度相似度自适应地更新目标模型.大量仿真实验结果表明,文中算法可以鲁棒地跟踪到部分遮挡和形态变化的运动目标.

基于深度估计和特征融合的尺度自适应目标跟踪算法

针对核相关滤波目标跟踪算法(KCF)使用单特征来描述所跟踪的目标,在复杂环境下,目标尺度发生较大变化时,无法准确跟踪目标的问题,提出基于深度估计和特征融合的尺度自适应目标跟踪算法。首先利用深度神经网络估计视频序列中目标的深度,建立并训练深度-尺度估计模型;在跟踪过程中,融合目标方向梯度直方图(HOG)特征和CN(Color Name)特征训练相关滤波器,利用深度估计网络得到目标深度值,并利用深度-尺度估计模型得到目标的尺度值,从而在目标尺度发生变化时,能够调整目标框大小,实现尺度自适应的目标跟踪算法。实验结果表明,与经典的KCF算法相比,可获得更高的精度,与尺度自适应的判别型尺度空间跟踪(DSST)算法相比,在尺度变化较大时,跟踪速度更快;在环境复杂、目标被遮挡时,鲁棒性更好。

一种自适应响应融合的目标跟踪算法

目标跟踪过程中物体的形变、缩放、旋转、遮挡、运动模糊、光照变化和背景干扰等会导致显著的外观变化,严重影响跟踪算法的性能。针对该问题,在特征提取方式,检测模型和自适应融合等方面对传统的核相关滤波算法进行了改进,提出了一种自适应响应融合的核相关滤波算法。最后,在目标跟踪标准数据集OTB2013上,将提出的自适应响应融合的核相关滤波算法与主流的目标跟踪算法KCF,Staple, CSK等进行性能比较,本文提出的算法总体精度为0.850,总体成功率为0.773,均优于近年具有代表性的相关滤波算法。

空时上下文模型下基于多种特征融合的监控目标跟踪

随着视频处理技术和网络技术的发展,视频监控应用逐渐渗透到了人们日常活动中的方方面面,如何设计实现精度高、鲁棒性好的目标跟踪技术仍然是当今研究的热点及难点;在工程应用实践的基础上,提出一多特征融合与自适应模型更新的空时上下文目标跟踪算法,通过将丰富多样的多特征信息整合到空时上下文模型中;由于多特征具有互补特性,可以克服单一特征对目标区域描述不足的缺陷,提升算法的抗干扰能力;同时,也提出了一种自适应学习因子策略,增强了模型的泛化能力;选取的特征集是鲁棒的,包括了颜色、梯度、方向、点特征等总共19个特征,其中子块大小是11×11,高斯核方差为2,损失项正则参数为0.005,其余参数设置与STC保持一致;大量的仿真实验结果表明所提出的改进算法在跟踪中心误差指标上比现有的KCF,MFC和STC跟踪算法分别提高了5.4%,2.1%和3.6%,对复杂的跟踪场景具有更强的鲁棒性与抗干扰能力。

基于多表观特征子模型更新的鲁棒视觉跟踪

在视觉跟踪中,传统模型更新算法在遮挡、光照变化及自身旋转等情况下通常存在鲁棒性较差的问题.为改善该性能,提出一种对多表观特征相应子模型进行选择性更新的鲁棒视觉跟踪算法.该算法首先建立候选子模型库,然后通过三个互补特征融合的粒子滤波跟踪确定当前帧目标位置和信息,最后将当前帧三种特征直方图信息与候选库中各子模型分别计算加权相似度,更新候选库后与阈值比较,判断是否更新当前子模型.实验结果表明:本文算法能够对特征相应子模型进行有效的选择性更新,与对比算法比较,在多种复杂变化的跟踪条件下,总体上能够具有更好的跟踪鲁棒性.

自适应特征融合的多尺度相关滤波目标跟踪算法

针对单一特征目标跟踪算法不能较好地适应复杂场景的变化,容易受跟踪目标的尺度变化、形变、遮挡以及背景混杂等影响导致跟踪失败的问题,提出一种自适应特征融合的相关滤波目标跟踪算法.首先根据目标的HOG和CN特征,采用上下文感知相关滤波框架得到2种特征下滤波响应值,并且进行归一化处理;然后按照响应值占比分配权重并线性加权融合,将得到融合后响应值用于确定目标位置;再引入尺度相关滤波器,用于估计目标尺度变化,增强尺度应变能力;最后通过设定的预定义阈值来判断位置和尺度滤波模型的更新,提高模型的更新质量.采用OTB Benchmark数据集进行实验,分别与基于相关滤波和基于上下文感知框架等11种目标跟踪算法进行对比,结果表明,该算法在精确度和成功率上均取得较为理想效果,其中精确度为82.5%,成功率为54.2%;而且在尺度变化、形变、快速运动、遮挡等复杂场景挑战下具有较好的鲁棒性.

特征融合自适应目标跟踪

经典视觉单目标跟踪方法通常以单特征描述被跟踪的目标。但在实际场景中,目标因受外界因素如光照或自身变化如形变的影响而发生变化。为了更好地描述目标,首先引入HOG特征和CN特征,利用传统的特征提取方法,训练得到各自的相关滤波器;然后与各自特征相关滤波得到各自的响应图;最后采用实际响应与期望响应的差值法求得各自响应图的权重,将其与各响应图自适应融合得到目标的最终位置,并自适应更新各自的模型。实验选取公共数据集OTB2013的34个彩色视频帧序列对不同算法进行定性和定量地分析和论证。相比效果最好的DSST算法,平均中心误差减少了7.8像素,成功率提高了1.2%,精度提高了2.3%。实验结果表明该算法具有较好的跟踪鲁棒性和准确性。

通道加权和自适应模型更新的实时目标跟踪

针对单一特征不能有效建模目标及特征通道直接叠加影响跟踪质量的问题,基于判别式尺度空间跟踪(DSST)提出了自适应模型更新与响应加权的实时相关滤波跟踪算法。首先,融合多维特征,并对每一响应通道自适应加权;其次,在尺度估计中融入多项式拟合策略;最后,根据响应图峰值波动情况进行样本可靠性判定,并提出模型更新策略。在OTB2013和OTB2015上进行实验,所提算法相较基准跟踪器,成功率分别提升6. 4%和6. 7%。与最近的跟踪器相比,其展现了优秀的性能,每一模块都对结果产生了有效的提升,且速度高达85 fps,是基准跟踪器DSST的三倍,超过大部分实时性跟踪算法。

自适应特征融合的核相关滤波目标跟踪算法研究

在核相关滤波目标跟踪算法中,为了克服采用单一特征导致的特征表达不足,以及采用线性插值模型更新策略造成模型漂移的问题,提出了一种自适应特征融合和模型更新的核相关滤波目标跟踪算法.首先使用主成分分析法对方向梯度直方图特征和颜色名特征进行降维,以提高算法的运行速度;其次计算两种特征的响应图,用所得响应图的峰值与平均峰值相关能量值的乘积来计算响应图权重,实现响应图的加权融合,从而获得目标位置;最后根据两帧间颜色名特征的相似度调整模型更新速率.在OTB-50数据集上的实验结果分析表明,该算法跟踪性能优于其他算法,能够提高处理速度.

复杂场景下基于自适应多特征融合的跟踪算法

在复杂的场景下,单特征对目标描述不够充分,很难稳健地跟踪目标,针对这个问题,提出了一个基于自适应多特征融合的粒子滤波跟踪算法。该算法采用灰度和边缘特征表示目标,从目标观测似然模型构建的角度融合两种特征,利用粒子似然分布的香农熵动态地评价特征的可靠性,进而确定特征融合权重,以提高算法对场景的适应能力;同时,改进了线性加权的模型更新策略,通过对加权系数的在线调整来抑制模型漂移。实验表明,该算法可以实现部分遮挡和背景干扰等复杂场景下的跟踪。