1 长沙理工大学计算机与通信工程学院,湖南长沙 410114
2 长沙理工大学综合交通运输大数据智能处理湖南省重点实验室,湖南长沙 410114
目标跟踪过程中,目标的尺度变大会引入更多的背景噪声,而在目标尺度变小时却采样不足,导致算法鲁棒性不强。为了实现复杂背景环境下可视目标的稳健跟踪,本文提出一种增强尺度估计的特征压缩跟踪算法,单独设置一个判别相关滤波器用于尺度估计,在线学习更新样本尺度,实时匹配最佳目标尺寸并更新特征采样块尺寸,对样本特征压缩降维并在线学习更新分类器参数,减小计算开销,提高跟踪稳健性。实验结果显示,算法可以适应目标的姿态及尺度变化,与已有类似算法相比,本文提出的算法具有更强的鲁棒性。
相关滤波 尺度估计 特征压缩 目标跟踪 correlation filtering scale estimation feature compression object tracking
1 中国科学院光电技术研究所, 成都 610209
2 电子科技大学, 成都 610054
3 中国科学院大学, 北京 100039
4 中国华阴兵器试验中心, 陕西 华阴 714200
目标检测通常利用复杂的、高维度的特征来提高其检测精度, 而高维特征往往会产生较高的计算复杂度和存储开销。经典的特征压缩算法常常被用于目标检测系统以实现特征降维, 但在其求解过程中会涉及到大量的矩阵分解运算, 从而降低了算法的实时性。针对此问题, 提出一种基于随机映射的特征压缩算法。该算法仅通过一个稀疏随机矩阵和简单的矩阵乘法运算就实现了特征从高维空间到低维空间的映射。利用经该算法压缩后的特征向量构建了Ada-Boost分类器, 实验结果表明, 该分类器在保证检测精度的前提下, 提高了目标检测的实时性。
随机映射 目标检测 特征压缩 稀疏矩阵 random projection object detection feature compression sparse matrix
1 上海卫星工程研究所, 上海 200240
2 哈尔滨工业大学 空间光学工程研究中心, 黑龙江 哈尔滨 150001
3 哈尔滨师范大学 数学系, 黑龙江 哈尔滨 150025
针对全色CCD光学遥感卫星成像平台,提出了一种基于多属性融合的高分辨率图像云检测方法。首先根据云的物理特性和成像特性展开多属性分析,并提出了基于可分离度的特征选择准则来进行特征参量提取;然后针对两类样本的分布结构差异,结合LDA线性特征压缩算法,削减特征空间的维度;最后利用SVM分类器完成云检测。实验结果表明,该方法适用于高分辨率全色遥感图像的云检测,具有较高的检测概率和较低的虚警概率以及较高的算法执行效率。
云检测 光学遥感图像 多属性融合 特征提取 特征压缩 cloud detection optical remote sensing image multi-attribute fusion feature extraction feature compression