基于多核Boosting方法的通用目标分类和识别

针对传统基于SVM分类器的多核学习方法优化参数多、优化过程复杂、计算量大的缺点,本文提出基于Real Adaboost的多核学习方法解决通用目标分类与识别问题。该方法根据核函数能将高维特征映射到低维空间的特性,采用核函数空间上的线性平面分割构建弱分类器,并用Real Adaboost学习框架对弱分类器进行学习。先用分层特征算子PHOG和PHOW分别提取图像不同尺度的形状和表观信息,并用核函数计算特征距离,然后在核空间上构建线性弱学习器池,最后用Real Adaboost算法学习得到强分类器。实验结果表明,该方法有效提高了图像分类的准确率。

基于双层粒子滤波和半监督Hough Forests的多目标跟踪

本文针对单目摄像头、复杂可变背景环境下的多目标跟踪问题,将tracking-by-detection方法与粒子滤波相结合,从不稳定的信息源中提取高置信度模型作为观测,在半监督学习框架中实现了动态视频场景中的多个目标跟踪,并设计了一个多目标的维护机制以应对遮挡、背景变化、目标进出场景等可能引起目标混淆的情况。实验证明,本文提出的算法能够稳定跟踪复杂场景中的多个目标,有效区分不同目标,对目标的遮挡、背景干扰等均有良好的处理效果。