10.3969/j.issn.1001-506X.2017.09.33
基于极限学习机和boosting多核学习的目标跟踪算法
如何构造鲁棒的分类器一直是基于判别式的目标跟踪算法研究的热点,近些年多核学习通过线性组合多个核分类器达到了更好的分类性能,受到了广泛的关注.传统的多核学习需要解复杂的最优化问题,很难直接应用到目标跟踪中,因此提出一种基于boosting学习框架的多核学习算法,使目标跟踪在复杂场景下可以保持跟踪的实时性和准确性.为了进一步减少计算量和提升分类性能,采用极限学习机(extreme learning machine,ELM)作为基分类器,ELM结构简单,训练速度非常快,并且比支持向量机有更好的泛化能力.最后,将本文算法与其他先进的跟踪算法在多个公开视频序列中进行比较,验证了本文算法性能的有效性.
目标跟踪、极限学习机、多核学习、boosting学习
39
TP391(计算技术、计算机技术)
国家自然科学基金61471154;安徽省科技攻关科技强警项目1704d0802181资助课题
2017-09-05(万方平台首次上网日期,不代表论文的发表时间)
共8页
2149-2156