面向多源数据融合的稀疏表示目标跟踪

传统的基于稀疏表示的目标跟踪方法主要利用目标的灰度特征构建稀疏表示模型。由于灰度特征对光照变化敏感，这会影响目标跟踪在复杂场景下的鲁棒性。基于多源数据融合的目标跟踪可以明显提升目标跟踪鲁棒性，但如何有效融合不同维度，不同类型的多源目标特征成为基于多源数据融合的目标跟踪所要解决的关键问题。提出了一个基于目标状态以及灰度特征的稀疏表示目标跟踪方法。所提出的方法可通过基于核函数表示的稀疏表示模型，在探究目标状态以及灰度特征相关性的基础上，将两种不同维度的特征进行有效融合，提升目标跟踪在复杂场景下的鲁棒性。     

基于深度学习的IPTV视频用户行为分析方法研究

IPTV视频业务的复杂性和多样性使其难以充分发挥运营商技术优势。借助深度神经网络DNN模型对IPTV视频用户进行用户行为分析。利用深度学习算法对用户点播视频活跃度实施精确分类,从而帮助IPTV服务提供商合理配置资源,同时为终端用户提供更高效优质的服务。实验结果表明,与现有的方法相比,该方法收敛快,分类准确率达93%。