工业控制计算机
工業控製計算機
공업공제계산궤
INDUSTRY CONTROL COMPUTER
2015年
4期
104-105,108
,共3页
运动分解%多实例学习%粒子滤波%稀疏矩阵
運動分解%多實例學習%粒子濾波%稀疏矩陣
운동분해%다실례학습%입자려파%희소구진
particIe fiIter%muItipIe instance Iearning%sparse matrix
多实例学习跟踪算法在目标物经历较大姿势变化后，容易导致目标物跟踪漂移。针对这个问题，提出将粒子滤波与多实例学习模型相结合，利用多运动模型约束与K－means聚类构建分类器来在线检测与跟踪目标。特征模型的构建基于稀疏随机矩阵，使得图像采样得到的低维特征能保持来自图像的多尺度信息。多实例学习算法用来采样正负样本集合，并使用在线增强技术来构建强分类器。大量的实验结果表明，提出的算法在光照变化、遮挡、以及形变的变化下都能准确跟踪目标，并具有很高的实时性。
多實例學習跟蹤算法在目標物經歷較大姿勢變化後，容易導緻目標物跟蹤漂移。針對這箇問題，提齣將粒子濾波與多實例學習模型相結閤，利用多運動模型約束與K－means聚類構建分類器來在線檢測與跟蹤目標。特徵模型的構建基于稀疏隨機矩陣，使得圖像採樣得到的低維特徵能保持來自圖像的多呎度信息。多實例學習算法用來採樣正負樣本集閤，併使用在線增彊技術來構建彊分類器。大量的實驗結果錶明，提齣的算法在光照變化、遮擋、以及形變的變化下都能準確跟蹤目標，併具有很高的實時性。
다실례학습근종산법재목표물경력교대자세변화후，용역도치목표물근종표이。침대저개문제，제출장입자려파여다실례학습모형상결합，이용다운동모형약속여K－means취류구건분류기래재선검측여근종목표。특정모형적구건기우희소수궤구진，사득도상채양득도적저유특정능보지래자도상적다척도신식。다실례학습산법용래채양정부양본집합，병사용재선증강기술래구건강분류기。대량적실험결과표명，제출적산법재광조변화、차당、이급형변적변화하도능준학근종목표，병구유흔고적실시성。
MuItipIe instance Iearning ﹙MIL﹚ tracking often suffers from tracking drift when objects undergo Iarge pose change.To soIve this probIem,a noveI MIL tracking with particIe fiIter tracking decomposition is proposed in this paper.The detection of target is proceeding with the constraints of muItipIe motion modeIs and K-means cIustering.The features modeI of tracking system is initiaIized with sparse random matrix,which makes Iow-dimension sampIed features maintain intrinsic information of origin high-dimension attributes.MIL method is used to construct discriminative modeI of the bag for finaI strong cIassifier.
