Discriminative multi-task objects tracking with active feature selection and drift correction

In this paper, we propose a discriminative multi-task objects tracking method with active feature selection and drift correction. The developed method formulates object tracking in a particle filter framework as multi-Task discriminative tracking. As opposed to generative methods that handle particles separately, the proposed method learns the representation of all the particles jointly and the corresponding coefficients are similar. The tracking algorithm starts from the active feature selection scheme, which adaptively chooses suitable number of discriminative features from the tracked target and background in the dynamic environment. Based on the selected feature space, the discriminative dictionary is constructed and updated dynamically. Only a few of them are used to represent all the particles at each frame. In other words, all the particles share the same dictionary templates and their representations are obtained jointly by discriminative multi-task learning. The particle that has the highest similarity with the dictionary templates is selected as the next tracked target state. This jointly sparsity and discriminative learning can exploit the relationship between particles and improve tracking performance. To alleviate the visual drift problem encountered in object tracking, a two-stage particle filtering algorithm is proposed to complete drift correction and exploit both the ground truth information of the first frame and observations obtained online from the current frame. Experimental evaluations on challenging sequences demonstrate the effectiveness, accuracy and robustness of the proposed tracker in comparison with state-of-the-art algorithms.     

基于QPSO 算法移动机器人轨迹规划与实验

针对移动机器人路径规划问题,提出一种基于QPSO算法的路径规划方法,并用概率论的方法分析了移动机器人路径规划的收敛性,阐明了该方法随均匀分布和正态分布的参数关系和收敛区间;然后根据移动机器人的运动特征提出一种改进的轨迹规划方法。移动机器人平台的实验结果表明了该方法在移动机器人路径规划中的有效性和可行性。     

一种改进型离散Hopfield学习算法

针对离散Hopfield 神经网络(DHNN) 的权值设计问题, 提出一种改进型学习算法, 并在DHNN动力学分析的基础上设计该学习算法. 利用矩阵分解的方法(MD) 得到正交矩阵, 并采用得到的正交矩阵直接计算DHNN的权值矩阵. 通过该学习算法得到的权值矩阵, 可以很好地存储训练样本的信息, 使测试样本收敛到稳定点. 该学习算法不需要进行分块计算, 减少了计算步骤和计算量, 降低了网络的迭代次数, 从而提高了网络运行速度. 最后, 将该学习算法应用于水质评价, 验证了其有效性和可行性.     

多交叉混沌选择反向小生境遗传算法

为提高小生境遗传算法的全局以及局部搜索能力,提出一种多交叉混沌选择反向小生境遗传算法。利用分段线性混沌映射函数生成一组混沌数序列,在每次进行交叉操作前,依据序列中对应元素的数值大小选择不同的交叉算子进行操作,通过小生境遗传算法产生较优的子代种群。针对子代种群,应用反向搜索策略获得反向种群,在子代种群和反向种群中进行精英选择得到最终新种群,以进一步加强算法的局部寻优能力。仿真实验结果表明,该算法在最优解及均值方面好于小生境遗传算法,从而证明其可行性和优越性。     

一种快速的判别公共向量分类方法

在传统DCV的基础上,提出了一种改进的快速DCV分类方法。该方法与传统的DCV分类方法相比,在保证识别率相同的情况下具有较快的分类速率。传统的DCV分类方法通过计算特征向量之间的距离来进行分类,而所提快速DCV分类方法则通过标量计算完成分类。理论分析及复杂度计算表明,快速DCV分类方法的分类速率是传统DCV分类方法的2倍左右,在Yale、ORL和PIE 3种人脸数据库得到的对比仿真实验结果验证了该算法的有效性。     

带隐变量的回归模型EM算法

带有隐变量的回归模型具有非常广泛的应用场合,隐回归模型的参数求解问题依赖于自变量的分布假设。基于自变量的beta分布的假设条件,给出了隐回归模型的EM算法,详细地推导了模型中的参数求解过程,给出了使用牛顿法求解beta分布参数的算法,并提出一个合适的初值选择算法。在模拟数据和真实数据的基础上进行了详细的比较性试验,结果表明,对具有不同分布特征的因变量观察值,EM算法能够有效地求解隐回归模型的参数。     

基于混合PSO的高斯混合模型地形分类

提出了一种基于改进的混合粒子群优化(particle swarm optimization,PSO)算法的高斯混合模型地形分类方法。高斯混合模型的求解通常是使用期望最大化算法(expectation maximization,EM),然而EM算法易陷入局部最优,收敛速度不稳定且对初值敏感。因此引入混合PSO算法,并对其进行了一系列改进。实验结果表明:改进后的算法较其它优化算法提高了全局搜索能力和收敛速度,利用该算法求解高斯混合模型可以提高参数估计的精度,并且在户外场景图像的地形分类实验中所提出的地形分类方法也表现优良。     

艺术设计类职业教育以半工半读实现工学结合模式的探讨

艺术设计类职业教育中校园主体地位在政策和市场基础中的转变。职业院校应该自身完成从传统教育到现代实战化教育的转型。教师结构和教师教学策略上针对体系改革的调整。我国教育在整体宏观上的调整实际上针对艺术设计类职业教育的改革还需更为大胆和深入的研究,从政府整体对于职业学院校中艺术设计类企业化教学和运营模式应给与足够的重视和引导,并正确的认识学校企业化在市场中的合理地位;正确评估职业院校、尤其是学生在艺术设计行业中的重要价值;从而在市场竞争中给予职业院校和学生合理的扶植。这样才能作为坚强后盾,支撑“半工半读”的工学一体化模式,实现学生学习和就业的合理融合。     

对影视后期课程结构体系的思考

影视后期制作在专业化的课程培养中成为课程的主体内容,为学生未来个人设计理念的达成提供切实的技术支持和经验积累。《Photoshop》《Flash应用》《影视后期制作》作为动漫与电脑艺术专业的核心课程,是学生学习本专业的软件骨干内容。三门课程互相衔接、互相依存,作为学生未来就业的的主要手段和工具。贯穿在校学生在校学习时间的三分之一。以系培养技法娴熟、并具有完整知识的综合性技能型人才。     

联合 LTP 和 LPQ 的人脸识别方法

提出一种联合局部三值模式（LTP）和局部相位量化（LPQ）的人脸识别方法,该方法首先对预处理后的人脸分别采用LTP算子、LPQ算子提取各自的直方图,然后,通过特征选择将两者联合为LTP＿LPQ直方图,最后通过最近邻分类器进行分类识别。在ORL和YALE标准人脸数据库上的实验表明,该方法能有效地提高人脸的识别率。