分享到:

加权间隔结构化支持向量机目标跟踪算法

位置,并通过不断更新外观模型来适应目标外观的0引言变化。如在文献[6]改进的均值偏移跟踪算法中,使用背景权重直方图来降低背景对目标模板的影目标跟踪在视频监控、人机交互、车辆导航和行响,并结合卡尔曼滤波器来提高跟踪器的抗遮挡性为分析等领域有着广泛的应用。由于视频目标运动能;文献[7]提出的跟踪方法中,使用稀疏表示对目过程中存在着遮挡、外观或光照变化、背景混杂、剧标外观进行建模,并结合先验概率将其引入到正则烈位移等场景,使得其仍是一个充满挑战性的工化模型中。判别式跟踪[8-13],又称基于检测的跟踪,作[1]。现有的跟踪算法按照处理方式的不同大致通常把跟踪过程分为训练和检测两阶段。在训练阶可分为生成式和判别式两类[2]。生成式模型[3-5]首段对目标和背景采样并训练二元分类器;在检测阶先生成一个外观模型来表示目标,然后通过在每一段使用训练所得的分类器检测目标所在位置。以上帧中搜索与该外观模型最相似的区域来确定目标的两阶段交替进行以适...  (本文共9页) 阅读全文>>

西北农林科技大学
西北农林科技大学

结构化支持向量机目标跟踪中的特征表示与优化方法研究

目标跟踪是计算机视觉的重要分支,融合了图像处理、模式识别、机器学习等多个学科领域的结晶,并在军事制导、视觉导航、安全监控、人机交互等方面有广阔的应用前景。近年来,结构化支持向量机(SSVM)跟踪算法由于提供了一种新颖的判别式跟踪模型及良好的性能表现而受到了广泛的关注。本文以SSVM跟踪算法为基础,从特征表示、优化方法和异常检测等三个方面进行研究,并在公开的目标跟踪基准数据库上对提出的方法进行有效性验证,主要成果如下:(1)提出了一种基于彩色Haar-like特征和选择性更新的改进Struck跟踪算法。首先使用一种彩色Haar-like特征表示方法,能够以微小的计算代价为Haar-like特征加入颜色信息。然后提出一种选择性更新模式,使得Struck跟踪器能够检测异常场景并停止对跟踪模型的更新,从而减轻模型漂移问题。在OTB50上的实验表明,使用了彩色Haar-like特征和选择性更新模式的Struck算法,在OPE、TRE、SR...  (本文共56页) 本文目录 | 阅读全文>>

《软件学报》2018年01期
软件学报

多分类孪生支持向量机研究进展

孪生支持向量机(twin support vector machine,简称TWSVM)是在传统支持向量机(support vector machine,简称SVM)[1,2]的基础上发展而来的一种新型机器学习算法.为了解决二分类问题,TWSVM为每一类样本构造一个超平面,使每类样本尽可能离本类的超平面更近,而尽可能地远离另一类的超平面[3].TWSVM的两个超平面通过求解两个二次规划问题(quadratic programming problems,简称QPPs)得到,每个QPP的约束条件都只与一类样本有关.TWSVM不但保持了SVM的优点,而且训练速度比传统SVM要快4倍A为了进一步提升TWSVM的性能,学者们已经提出了不少改进算法[5_21],例如,Kumar等人提出了TWSVM的最小二乘模型,称作最小二乘孪生支持向量机(least squares twin support vector machine,简称LSTSVM)...  (本文共20页) 阅读全文>>

《科技创新与应用》2018年11期
科技创新与应用

模糊型支持向量机及其在入侵检测中的应用

通过分析模糊支持向量机FSVM、v型模糊支持向量机v-FSVM、模糊孪生支持向量机FTSVM,提出了v型模糊孪生支持向量机v-FTSVM;实验研究对其性能进行比较;并将提出的算法用于入侵检测问题,进一步表明了提出算法的有效性。1模糊支持向量机1.1 C-型FSVM通过赋予每个数据样本点x一个合适的模糊隶属值si(0≤si≤1),并在FSVM中给定的数据样本集是具有模糊隶属度的一个数据集合。FSVM的优化问题如下:1.2 v-型模糊支持向量机v-FSVMv-WSVM的优化问题如下:(2)2模糊孪生支持向量机2.1 C-型模糊孪生支持向量机C-型模糊孪生支持向量机的优化问题如下:(3)(4)通过构造(3)与(4)的拉格朗日函数,可以获得如下的对偶问题:(5)(6)其中。2.2 v-型模糊孪生支持向量机2.2.1线性可分的模糊孪生支持向量机二次规划问题如下:áá112.()1,1,2,,0,1,2,,á?lTi iiTi i iimi...  (本文共4页) 阅读全文>>

《运筹学学报》2018年02期
运筹学学报

从支持向量机到非平行支持向量机

0引言非平行支持向量机w作为支持向量机M的拓展,近几年受到了广泛的关注.与支持向量机相比,非平行支持向量机针对每一类别构造相应的支持超平面,从而可以描述不同类别的数据分布差异,对某些数据下的分类效果比支持向量机好,比如交叉型数据等?目前,非平行支持向量机已经成为了支持向量机新的研宄热点+91.首个非平行支持向量机模型由Magasarian等人[5】于2006年提出,该模型通过求解两个广义特征值问题得到两个非平行超平面.随后文献[6-7]在文献[5]的基础上进一步提出了双子支持向量机,该模型同样得到两个非平行超平面,但是却求解两个与支持向量机类似的二次优化问题.由于双子支持向量机与支持向量机更相似,从而获得了广泛的研究.总体说来,关于非平行支持向量机的研宄主要有:从不同损失函数出发的非平行支持向量机模型与算法研究,比如基于最小二乘损失函数的非平行支持向量机模型间,基于e-不敏感损失函数的非平行支持向量机模型【9]等;从不同数据挖掘...  (本文共11页) 阅读全文>>

《课程教育研究》2016年28期
课程教育研究

基于支持向量机的股票价格预测模型研究与应用

一、引言随着金融市场的逐步完善,证券交易所的交易量也在不断的提升,预测未来一段时间内的证券价格成为广大投资者密切关注的问题,同时产生了许多优秀的证券分析预测方法[1],如基本分析和技术分析(K线图、移动平均线和OBV线等)。然而这些方法从本质上来讲只是分析方法,其预测结果不很理想。近年来,国内外学者纷纷采用人工神经网络[2]、支持向量机[3]等方法对证券交易数据,特别是股票市场的数据进行处理,试图揭示证券交易数据背后所蕴含的意义,并对其价格进行预测。目前,国内外关于证券价格预测的方法主要有证券投资分析法、时间序列分析法、人工神经网络法和支持向量机方法[4]等。自2000年以来,国内...  (本文共1页) 阅读全文>>

《长江大学学报(自科版)》2018年17期
长江大学学报(自科版)

支持向量机的基本理论和研究进展

20世纪90年代,俄罗斯数学家Vapnik等[1]提出了支持向量机(Support Vector Machines,SVM)[2,3]的概念:支持向量机以统计学习理论(Statistical Learning Theory,SLT)[4,5]为基础,基于结构风险最小化(Structural Risk Minimization,SRM)[6]原理建立数据模型,为解决有限数据样本情况下的统计模式识别奠定了坚实的基础。与传统机器学习方法相比,该方法具有结构简单、适应性好、全局最优、训练速度快和泛化能力强等诸多优势。下面,笔者简要回顾了传统支持向量机的发展历史与基本理论,介绍了支持向量机的改进算法,系统总结了支持向量机在分类与回归问题中的具体应用实例及其优势。1支持向量机的基本理论1.1传统支持向量机图1支持向量机原理支持向量机的基本思想如图1所示,实心点和空心点分别代表2类数据样本;H代表分类超平面;H1和H2分别代表数据样本中离H最...  (本文共7页) 阅读全文>>