本文選題：目標(biāo)跟蹤　切入點(diǎn)：極限學(xué)習(xí)機(jī)　出處：《系統(tǒng)工程與電子技術(shù)》2017年09期

【摘要】：如何構(gòu)造魯棒的分類器一直是基于判別式的目標(biāo)跟蹤算法研究的熱點(diǎn),近些年多核學(xué)習(xí)通過(guò)線性組合多個(gè)核分類器達(dá)到了更好的分類性能,受到了廣泛的關(guān)注。傳統(tǒng)的多核學(xué)習(xí)需要解復(fù)雜的最優(yōu)化問(wèn)題,很難直接應(yīng)用到目標(biāo)跟蹤中,因此提出一種基于boosting學(xué)習(xí)框架的多核學(xué)習(xí)算法,使目標(biāo)跟蹤在復(fù)雜場(chǎng)景下可以保持跟蹤的實(shí)時(shí)性和準(zhǔn)確性。為了進(jìn)一步減少計(jì)算量和提升分類性能,采用極限學(xué)習(xí)機(jī)(extreme learning machine,ELM)作為基分類器,ELM結(jié)構(gòu)簡(jiǎn)單,訓(xùn)練速度非�？�,并且比支持向量機(jī)有更好的泛化能力。最后,將本文算法與其他先進(jìn)的跟蹤算法在多個(gè)公開(kāi)視頻序列中進(jìn)行比較,驗(yàn)證了本文算法性能的有效性。
[Abstract]:How to construct robust classifiers has been a hot topic in target tracking algorithms based on discriminant. In recent years, multi-kernel learning has achieved better classification performance through linear combination of multiple kernel classifiers. Traditional multi-kernel learning needs to solve complex optimization problems, and it is difficult to be directly applied to target tracking. Therefore, a multi-core learning algorithm based on boosting learning framework is proposed. In order to further reduce the computation and improve the classification performance, the extreme learning learning machine (ELM) is used as the base classifier, which is simple in structure and very fast in training. And it has better generalization ability than support vector machine. Finally, compared with other advanced tracking algorithms in several open video sequences, the effectiveness of the proposed algorithm is verified.
【作者單位】： 合肥工業(yè)大學(xué)計(jì)算機(jī)與信息學(xué)院;
【基金】：國(guó)家自然科學(xué)基金(61471154) 安徽省科技攻關(guān)科技強(qiáng)警項(xiàng)目(1704d0802181)資助課題
【分類號(hào)】：TP181;TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 涂承勝;刁力力;魯明羽;陸玉昌;;Boosting家族Boost-by-majority系列代表算法[J];計(jì)算機(jī)科學(xué);2003年04期

2 朱文球,羅三定;基于級(jí)聯(lián)式Boosting方法的人臉檢測(cè)[J];計(jì)算機(jī)應(yīng)用;2005年09期

3 唐軼;;多分類Boosting算法的一致性[J];計(jì)算機(jī)工程與應(yīng)用;2006年18期

4 董樂(lè)紅;耿國(guó)華;高原;;Boosting算法綜述[J];計(jì)算機(jī)應(yīng)用與軟件;2006年08期

5 章樺;;多示例人臉的Boosting檢測(cè)[J];軟件導(dǎo)刊;2008年05期

6 ;Boosting Farm Produce Supply[J];Beijing Review;2008年02期

7 陳愛(ài)斌,夏利民,趙桂敏;基于Boosting方法的人臉檢測(cè)[J];計(jì)算機(jī)工程與應(yīng)用;2004年03期

8 ;Boosting the partial least square algorithm for regression modelling[J];Journal of Control Theory and Applications;2006年03期

9 ;A BOOSTING APPROACH FOR INTRUSION DETECTION[J];Journal of Electronics(China);2007年03期

10 湯北齊;;Boosting算法在回歸問(wèn)題計(jì)算的應(yīng)用[J];湖北工業(yè)大學(xué)學(xué)報(bào);2009年01期

相關(guān)會(huì)議論文 前6條

1 翟素蘭;羅斌;郭玉堂;;雙向Boosting模糊聚類集成[A];第二十六屆中國(guó)控制會(huì)議論文集[C];2007年

2 ;Boosting MBR Based kNN Search Over Multimedia Data by Approximate Pruning Metric[A];Information Technology and Computer Science—Proceedings of 2012 National Conference on Information Technology and Computer Science[C];2012年

3 ;A Target Recognition and Segmentation Method Based On Boosting and PDE[A];第24屆中國(guó)控制與決策會(huì)議論文集[C];2012年

4 李訓(xùn)青;黃磊;劉迎建;;基于Boosting集成的SMO增強(qiáng)型分類器設(shè)計(jì)[A];第八屆全國(guó)漢字識(shí)別學(xué)術(shù)會(huì)議論文集[C];2002年

5 房一飛;張冬茉;;基于boosting的文本分類在股市領(lǐng)域信息抽取系統(tǒng)中的應(yīng)用[A];輝煌二十年——中國(guó)中文信息學(xué)會(huì)二十周年學(xué)術(shù)會(huì)議論文集[C];2001年

6 李月敏;陳杰;高文;尹寶才;;快速人臉檢測(cè)技術(shù)綜述[A];全國(guó)第16屆計(jì)算機(jī)科學(xué)與技術(shù)應(yīng)用（CACIS）學(xué)術(shù)會(huì)議論文集[C];2004年

相關(guān)碩士學(xué)位論文 前10條

1 賈璋衡;基于隨機(jī)森林和boosting思想的推薦算法的研究[D];廣西師范大學(xué);2015年

2 翟璐;一種基于Boosting算法的新模型在銀行信用評(píng)級(jí)中的應(yīng)用[D];北京交通大學(xué);2016年

3 甘志鵬;基于非負(fù)編碼Boosting的目標(biāo)跟蹤算法研究[D];西安電子科技大學(xué);2015年

4 曾慶尚;基于Boosting策略的啟動(dòng)子預(yù)測(cè)方法研究[D];煙臺(tái)大學(xué);2009年

5 姚睿;基于代價(jià)敏感Boosting算法的醫(yī)學(xué)影像分析方法研究[D];上海交通大學(xué);2011年

6 沈丁成;基于在線Boosting算法的目標(biāo)跟蹤研究[D];天津理工大學(xué);2013年

7 杜曉旭;基于Boosting算法的人臉識(shí)別方法研究[D];浙江大學(xué);2006年

8 楊德剛;基于Boosting算法的頭部、臉部、眼睛和嘴檢測(cè)技術(shù)研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2008年

9 裴玉紅;目標(biāo)跟蹤中在線boosting學(xué)習(xí)算法的研究[D];北京理工大學(xué);2010年

10 臧偉;Boosting算法在遠(yuǎn)程教育分析和圖像分類中的應(yīng)用研究[D];清華大學(xué);2004年

，

本文編號(hào)：1678408