基于特征融合与核局部Fisher判别分析的行人重识别

行人重识别精度主要取决于特征描述和度量学习两个方面。在特征描述方面,现有特征难以解决行人图像视角变化的问题,因此考虑将颜色标签特征与颜色和纹理特征融合,并通过区域和块划分的方式提取直方图获得图像特征;在度量学习方面,传统的核局部Fisher判别分析度量学习方法对所有查询图像统一映射到相同的特征空间中,忽略了查询图像不同区域的重要性,为此在核局部Fisher判别分析的基础上对特征进行区域分组,采用查询自适应得分融合方法来描述图像不同区域的重要性,由此实现度量学习。在VIPeR和iLIDS数据集上,实验结果表明融合后的特征描述能力明显优于原始特征,同时改进的度量学习方法有效提高了行人重识别精度。     

基于相关滤波的尺度自适应目标跟踪

针对视频目标跟踪中的尺度问题,提出了一种基于相关滤波的尺度自适应目标跟踪方法。首先利用核相关滤波获得目标的中心位置,然后将目标均分为四个子块,通过计算找出子块中心的最大响应位置,最后根据前后两帧目标子块中心位置的相对变化计算出尺度的伸缩系数,进而计算出目标尺度。在具有尺度变化的公开数据集上对本文方法进行测试,并和多种跟踪方法作对比,实验结果表明,该方法将尺度的计算问题转化为对子块中心的定位,其平均跟踪性能优于其它方法,验证了方法的有效性。     

合成孔径雷达图像目标的卷积神经网识别框架

针对合成孔径雷达（SAR）图像目标识别问题,在卷积神经网的基础上,提出了一种新的识别框架。 该框架通过连接多个基本操作单元并以层次结构构造一个集特征提取和分类器训练于一体的端到端网络,同时利用深度网络的反向传播完成分类器对特征提取的反馈以改进特征的效果。 在 MSTAR开数据集上,该网络框架分类十类目标达到了98.61％ 的精度,与其他方法相比,有效提高了SAR 图像目标的识别精度。 所提框架能有效分类SAR 图像目标,具有良好的识别精度,且具备模块化结构,无须复杂预处理,实现简单。