1 江西财经职业学院信息工程学院，江西 九江，332000
2 华北电力大学控制与计算机工程学院，北京 102206
3 中国地质大学虚拟仿真实验室，湖北 武汉，430074
在红外目标跟踪中，如何鲁棒地跟踪上目标，对提升**装备战斗力意义重大。本文在核相关目标跟踪算法（KCF）的基础上提出了一种有效的多特征协同学习核相关红外目标跟踪算法，该算法通过KCF 模型将HOG（Histogram of Oriented Gradient）特征与Haar-like 特征整合到一个框架中，解决了单一特征不足以表征目标外观变化，同时大大提升了红外目标跟踪的准确性与稳定性。同时，本文也提出了一种自适应学习因子策略，增强了模型的泛化能力。大量定性定量实验结果表明本文所提算法在重叠率准则（OR）和跟踪中心误差（CLE）准则上超过现有大多数算法，同时其跟踪速度也超过大多数算法。
目标跟踪 协同学习 红外目标 多特征 HOG 特征 Haar-like 特征 object tracking collaborative learning infrared object multi-features HOG feature Haar-like feature
1 浙江警察学院刑事科学技术系, 杭州 310053
2 深圳大学计算机与软件学院, 广东 深圳 518060
3 浙江科技学院 信息与电子工程学院，杭州 310023
高光谱遥感图像中包含有大量的高维数据, 传统的有监督学习算法在对这些数据进行分类时要求获取足够多的有标记样本用于分类器的训练。然而, 对高光谱图像中大量的复杂地物像元所属类别进行准确标注通常需要耗费极大的人力。在本文中, 我们提出了一种基于半监督学习的光谱和纹理特征协同学习 (STF-CT)算法, 利用协同学习机制将高光谱图像光谱特征和空间纹理特征这两种不同的特征结合起来, 用于小训练样本集下的高光谱图像数据分类问题。 STF-CT算法充分利用了高光谱图像的光谱和纹理特征这两个独立视图, 构建起一种有效的半监督分类方法, 用于提升分类器在小训练样本集情况下的分类精度。实验结果表明该算法在小训练样本集下的高光谱地物分类问题上具有很好的效果。
高光谱图像 协同学习 半监督学习 分类 hyperspectral image co-training semi-supervised learning classification
