本项目主要研究一种基于机器学习和粒子滤波器的轮廓线跟踪的统一理论框架。该理论框架将图像的低层特征和关于目标的高层知识有机地结合起来,将跟踪问题表达为"自底向上"和"自顶向下"相结合的系统的后验概率密度估计问题。通过一种有监督的机器学习算法-自适应增强算法学习关于目标结构的高层知识,准确构造描述目标统计特性的观测概率密度函数。研究具有启发性质的Metropolis算法进行随机粒子的采样,使粒子更具有
{{i.achievement_title}}
数据更新时间:2023-05-31
基于LASSO-SVMR模型城市生活需水量的预测
低轨卫星通信信道分配策略
惯性约束聚变内爆中基于多块结构网格的高效辐射扩散并行算法
物联网中区块链技术的应用与挑战
空气电晕放电发展过程的特征发射光谱分析与放电识别
卡尔曼粒子滤波目标活动轮廓跟踪算法研究
移动拍摄下基于MCMC粒子滤波器的人体运动跟踪算法研究
基于迭代学习控制的机器人精密焊缝跟踪研究
融合颜色和形状的基于水平集的目标轮廓跟踪