多视图专家组区域建议预测的视觉跟踪

为解决大多数最新的目标跟踪器都面临着判别特征表示缺乏多样性、目标定位过于模糊以及正样本的数量要求问题,提出一种基于多视图的顶层特征的区域建议网络的跟踪预测学习算法。融合多种视图的特征表示方式,利用丰富多样的语义信息,有效解决判别特征过于单一的问题。在扩展的边界框上构建多个支持向量机模型并加入区域建议网络模块,精确优化边界框,预测最优的目标位置,缓解目标定位过于模糊和正样本的数量有限的问题。通过大量视频基准序列对方法的综合评价,其结果表明,提出方法融合了轻量化的深度学习模型和多视图专家组的优点,使跟踪性能有了显著提升。

GA-VPMCD方法及其在机械故障智能诊断中的应用

基于变量预测模型的分类识别(Variable predictive model-based class discriminate,VPMCD)方法是一种新的分类识别方法,但模型类型的选择存在主观性。为了解决VPMCD方法应用于机械故障诊断过程中的模型选择问题,结合遗传算法的全局优化能力,提出了基于GA-VPMCD(Genetic algorithm and variable predictive model based class discriminate)智能诊断方法。首先通过样本训练建立多个弱VPM(Variable predictive model),然后采用遗传算法优化各个弱VPM的权值,得到最优权值矩阵,最后用最优权值矩阵加权融合测试样本的弱VPM特征变量预测值,得到最佳特征变量预测值,并以误差平方和最小为辨别函数分类识别故障类型。通过GA-VPMCD方法在滚动轴承故障智能诊断中的应用实验验证了基于GA-VPMCD的故障智能诊断方法能有效地提高诊断精度和诊断系统的鲁棒性。

基于自学习特征的相关滤波跟踪算法

依靠高效的鉴别回归模型和多线索特征,如方向梯度直方图(HOG)特征和颜色名(CN)特征,相关滤波(CF)跟踪算法取得了优异的跟踪效果。但其弱点是不能应对由表观变化过程中鉴别信息不充分而导致的跟踪失败。针对这一问题,提出了基于自学习特征的相关滤波跟踪算法(SLDCF)。其中,自学习特征探索了相邻帧之间协同表示的特性,能够学习到相邻帧之间的目标变化情况,同时有效减少背景的干扰,以提高滤波器的鉴别性。通过标准视频数据集上的验证对比实验,其跟踪效果优于其余传统的相关滤波跟踪算法,证明了该算法的有效性和鲁棒性。

跟踪状态自适应的判别式行人单目标跟踪算法研究

本文针对在行人跟踪过程中遇到的背景相似物干扰、行人之间的相互遮挡和背景杂乱等导致跟踪状态不稳定的问题,基于DIMP(learning discriminative model prediction for tracking)跟踪算法,提出了一种跟踪状态自适应的判别式单目标行人跟踪算法。跟踪过程中由分类滤波器和搜索区域进行卷积操作得到响应图,通过响应图判断跟踪状态,跟踪状态分为弱响应状态、多峰强响应状态、单峰强响应状态。针对多峰强响应状态下的干扰物影响,提出在线更新策略,利用激励和抑制损失更新分类滤波器,提高分类滤波器的判别能力。针对多峰强响应和弱响应状态下目标预测不准确的问题,通过偏移量和增添候选框修正目标位置,提高跟踪精度。实验验证提出的算法在行人视频序列上跟踪结果,精度达到了0.978,成功率达到了0.740,在NVIDIA GTX 1650显卡下有30 fps的实时速度。

基于TreeNet算法的煤与瓦斯突出预测模型构建研究

针对煤与瓦斯突出矿井防突措施实施过程中,大量的突出预兆信息没有被充分利用,难以指导煤矿有效预测突出的问题,提出了采用CART算法构建突出预兆工程信息测试样本空间,采用分步式迭代逼近方式的TreeNet算法的煤与瓦斯突出预测模型构建方法,通过建立分类预测模型,通过算法找到了测试样本中的重要预测变量,同时通过预测变量对目标变量的贡献归因分析,得到了预测指标取值的最危险区间,以此构建矿井突出预测敏感指标体系。通过对原利民煤矿历年突出资料进行测试分析,发现坚固性系数、最大钻屑量、瓦斯涌出量对突出发生有着较为明显的对应关系,可作为该矿井煤与瓦斯突出预测的敏感指标。研究结果表明:基于TreeNet算法的煤与瓦斯突出预测模型构建是一种机器学习的工作面预测指标的敏感性判别方法,可用于煤矿建立工作面突出预测敏感指标体系。