《基于改进在线多示例学习算法的机器人目标跟踪》PDF+DOC
作者:王丽佳,贾松敏,李秀智,王爽
单位:中国自动化学会;中国科学院自动化所
出版:《自动化学报》2014年第12期
页数:10页 (PDF与DOC格式可能不同)
PDF编号:PDFMOTO2014120240
DOC编号:DOCMOTO2014120249
下载格式:PDF + Word/doc 文字可复制、可编辑
《基于运动模式在线分类的移动机器人目标跟踪》PDF+DOC2017年第03期 苑晶,李阳,董星亮,黄亚楼
《多传感器多目标粒子滤波算法》PDF+DOC2005年第04期 熊伟,何友,张晶炜
《分布式多传感器融合多目标跟踪方法》PDF+DOC2004年第08期 韩红,韩崇昭,朱洪艳,刘允才
《量子遗传优化粒子滤波的WSN目标跟踪算法》PDF+DOC2013年第12期 董跃钧,李国伟
《基于移动节点的无线传感器网络定位算法》PDF+DOC2012年第05期 吴大中,张蒙蒙
《WSN中一种改进的目标跟踪方法》PDF+DOC2012年第04期 寿向晨,杜嘉迪
《基于激光传感器移动机器人的目标定位和多模式跟踪》PDF+DOC2011年第08期 郭田
《多特征提取的红外和可见光目标跟踪方法》PDF+DOC2011年第04期 赵高鹏,薄煜明,陈益
《一种基于多传感器数据融合的目标跟踪算法》PDF+DOC2009年第19期 刘国成
《传感器选择问题的GSS算法有效性分析与改进》PDF+DOC2013年第11期 王小乐,黄宏斌,邓苏,刘明星
提出基于改进的在线多示例学习算法(Improved multiple instance learning,IMIL)的移动机器人目标跟踪方法.该方法利用射频识别系统(Radio frequency identification,RFID)粗定位IMIL算法的搜索区域,然后应用IMIL算法实现目标跟踪.该方法保证了机器人跟踪系统的连续性,解决了目标突然转弯时的跟踪问题.IMIL算法采用从低维空间提取的压缩特征描述包中示例,以降低算法耗时.通过最大化弱分类器与极大似然概率的内积,选择判别能力强的弱分类器,避免了弱分类器选择过程中多次计算包概率和示例概率,进一步提高算法的实时处理能力.计算包概率时该算法平等对待各示例,保证概率高的示例对包概率的贡献度,克服跟踪漂移问题.跟踪过程中,结合当前跟踪结果与目标模板间的相似性分数在线实时调整分类器,提高了算法的自适应能力.最后将本文方法在视频和移动机器人上进行实验.实验结果表明,该方法在目标运动突变及外观改变时具有较强的鲁棒性和准确性,并满足系统的实时性要求。
提示:百度云已更名为百度网盘(百度盘),天翼云盘、微盘下载地址……暂未提供。