基于半监督学习和交互模型的多目标跟踪方法

在跟踪过程中，目标形态的变化、遮挡的存在、复杂的环境制约及运动的相互影响等使得多运动目标跟踪变得非常困难。本项目针对现有方法在复杂背景及运动应用中所存在的跟踪失效问题，对基于半监督学习和交互模型的多目标跟踪方法进行研究。研究内容包括：1)提出了基于半监督CovBoosting的单目标跟踪及多目标跟踪方法，有效应对了跟踪视频中表观及背景渐变带来的挑战；2)提出了基于交互模型的多目标跟踪方法，包括如何估计目标的运动趋势，怎样度量轨迹的运动相似性，如何挖掘场景中的结构信息来改善跟踪性能，有效解决了跟踪过程中目标运动复杂这一难题；3)提出了基于表观重构误差预测的跟踪方法，包括如何中跟踪过程中，构建反应目标运动及上下文信息的特征，预测目标的在学习到的生成空间中的重构误差的变化，以适应目标和背景表观的变化。课题组的研究成果发表在相关的国际期刊和会议上，已发表学术论文16篇，其中包括IEEE Trans在内的国际期刊10篇，国际会议6篇，培养研究生6名。

多目标跟踪技术是计算机视觉、图像理解领域的核心研究之一,其在视频监控、视频分析及检索、运动分析及合成等领域发挥了重要作用。由于在跟踪过程中，目标形态的变化、遮挡的存在、复杂的环境制约及运动的相互影响等使得对多运动目标的跟踪变得更加困难。在本研究中，申请人拟采用交互模型来对目标的运动进行预测，并通过半监督的在线学习方法进行自适应特征选择，实现对多目标的实时鲁棒跟踪。首先，使用交互模型可以对多目标的运动提供较为准确的估计；其次，通过在线特征选择和遮挡分析为跟踪目标构建具有自适应性的表观模型；然后，在跟踪过程中将交互模型与基于半监督CovBoost的在线特征选择、在线随机森林遮挡判别分析器结合起来，提出一种基于交互模型和在线特征选择的多目标跟踪器，将跟踪中的关键问题（运动建模和表观建模）统一到一个多目标跟踪框架下；最后实现实时准确的多目标跟踪，并尝试拓展到视频监控、智能交通等实际社会民生应用中。

本课题拟针对采用集中式信息融合的多传感器多目标跟踪系统提出基于最大期望算法的联合数据配准、关联和融合算法,以及针对采用分布式信息融合的多传感器多目标跟踪系统提出基于最大期望算法的联合航迹配准、关联和融合算法。传统上人们一般将数据配准、数据关联和数据融合三者分开研究，或者是将航迹配准、航迹关联和航迹融合三者分开研究，但实际上它们是相互影响的：数据配准需要正确关联了的多传感器数据而存在配准误差的多传感器数据又会增加错误关联的概率，它们都会对数据融合的性能产生影响；同样航迹配准需要正确关联了的局部航迹而存在配准误差的局部航迹又会增加错误关联的概率，它们都会对航迹融合的性能产生影响。本课题将它们作为一个整体研究从而解决传统上将它们分开研究和工程实现的弊端，因考虑了它们之间的相互联系和相互影响，我们能大大提高多传感器多目标跟踪的精度，从而可提高军事和民用领域对目标监视和跟踪的能力。

《数据、模型与决策:基于Excel的建模和商务应用》内容全面，包括概率和统计的基本概念、数据处理和分析的基本方法，以及回归、预测、风险分析、模拟和决策优化等模型方法。基于Excel实现所有的模型和方法。《数据、模型与决策:基于Excel的建模和商务应用》提供大量的Excel操作截屏图，并详细加以标注，以方便读者学习和应用。配有丰富的教辅资源。《数据、模型与决策:基于Excel的建模和商务应用》适合MBA和工商管理学科研究生教学使用，也可作为事业单位管理决策人员，数据分析人员自学和培训用书。《数据、模型与决策:基于Excel的建模和商务应用》配套教辅资源PPT课件，长达900多页的超大容量PPT，图文并茂，拿来即用，免费申请。学习光盘，提供书中所有例题和习题的Excel文件，随书附赠。教师光盘，长达数十个小时的课堂视频AVI文档以及所有习题解答的Excel文档。

本发明公开基于多模型深度学习的涂装新风空调的控制方法，包括步骤：采集空调机组的多个模段的切面的温湿度数据上传到云服务器的时序数据库中，分别利用该温湿度数据对多个模段的深度学习模型进行训练，在训练完成将多个深度学习模型集成在一起形成一个深度学习控制预测模型；控制时，实时采集多个模段的切面的温湿度数据，输入到深度学习控制预测模型中；深度学习控制预测模型根据输入的实时温湿度数据，在多个可选择控制项中，选择与目标温湿度值最接接的控制结果输出，并将控制结果所对应的控制设定值输出到空调控制器中，对执行机构调节控制。本发明可有效地减低生产中的能源消耗，对涂装车间的运营成本及车身质量都具有非常有意义的作用。