近红外光谱分析技术近年来在各种领域的定性、 定量分析等方面得到广泛的应用。 多元标定技术则是光谱分析领域中最先进的技术, 而环境条件、 测量仪器或测量物质自身的变化, 都可能导致多元标定模型不再适用于新样本的预测。 重新标定和重新建模必然会浪费大量时间和资源。 一种解决方案是标定迁移, 将源域已有的标定模型扩展到目标域中, 避免重复建模的代价。 在化学计量学的相关文献中, 绝大多数迁移方法都需要在两台仪器相同条件下都测量一组迁移标准样品, 但在近红外光谱测量技术中, 由于标准样品具有挥发等特性, 使得构建仪器标定迁移方法的标准样品难以获得和保存。 针对这些问题, 提出了一种联合特征子空间分布对齐(JSDA)的标定迁移方法, 此方法可以在从仪器没有标准样本的情况下建立标定迁移模型。 JSDA首先建立源域和目标域数据特征的联合主成分分析(PCA)子空间; 然后通过对齐映射在联合特征子空间中的源域特征分布和目标域特征分布来校正标定模型; 最后, 应用最小二乘模型构建校正后源域上的标定模型, 该模型可直接用于目标域的标定。 实验结果表明与已有成熟的标定迁移方法相比, JSDA在公开的真实数据集上的预测性能比较有优势, 验证了该模型在实际应用中的有效性和优越性。
近红外光谱 标定迁移 PCA子空间 联合子空间分布对齐 Near infrared spectroscopy Calibration transfer PCA subspace Joint subspace distribution alignment 光谱学与光谱分析
2021, 41(11): 3411
1 中国科学院光电技术研究所，四川 成都 610209
2 中国科学院大学，北京 100049
：针对目标跟踪过程中目标可能出现的快速变化和严重遮挡等问题，提出了一种基于新的子空间表示的目标跟踪算法。采用距离不变量对尺度不变特征变换(SIFT)特征点匹配对进行提纯。用提纯后的特征点匹配对，通过线性拟合得到仿射变化参数。在粒子滤波的理论框架下，采用快速的迭代算法，建立目标的主分量(PCA)子空间表示，结合计算得到的仿射变化参数，构造有效的目标观测模型完成跟踪。同时，采用在线学习的方法对SIFT特征点和PCA子空间进行定时更新。大量实验表明，提出的算法能快速有效地完成对姿态和形状剧烈变化的目标的精确跟踪。
目标跟踪 SIFT特征点 线性拟合 粒子滤波 PCA子空间 在线学习 target tracking SIFT features linear fitting particle filter PCA subspace online learning
合肥工业大学计算机与信息学院, 合肥 230009
针对当前目标跟踪算法鲁棒性低且运算慢的问题, 本文提出了一种基于子空间学习的实时目标跟踪算法。该方法在粒子滤波跟踪框架下, 采用增量式 PCA子空间学习方法学习一个正交子空间, 利用学习到的正交子空间对目标外观进行线性表示; 针对目标在遮挡、运动模糊等复杂干扰状态下容易产生跟踪漂移的问题, 本文建立了一个将遮挡等复杂因素考虑在内的观测模型和模板更新方案, 解决了基于最小均方误差准则的传统观测模型在复杂场景下的跟踪漂移问题。实验结果表明, 本文的跟踪方法能够达到很高的跟踪精度, 同时也达到了接近实时的跟踪速度。
视觉跟踪 PCA子空间 增量式子空间学习 粒子滤波 visual tracking PCA subspace incremental subspace learning particle filtering
