原文服务方: 科技与创新       
摘要:
稀疏表示是近年来信号处理领域发展起来的新方法,其在异常干扰抑制方面具有良好的性能,且在抗遮挡目标追踪方面具有独特的优势,已成为实现鲁棒目标追踪的重要工具.目前,已有的稀疏表示方法在鲁棒目标追踪中存在计算速度慢、存储量大等缺陷.硬阈值追踪(HTP)是一种快速稀疏表示方法,能够在较少次数的迭代下达到收敛,并且具有重构精度高、鲁棒性好等优势.为了克服已有的基于稀疏表示的目标追踪方法的不足,将迭代硬阈值追踪算法应用于稀疏表示协作模型中,该算法有效提升了协作模型的鲁棒性,且使跟踪更加快速.
推荐文章
基于加权分块稀疏表示的光照鲁棒性人脸识别
人脸识别
光照归一化
稀疏表示
加权分块
基于自适应同时稀疏表示的鲁棒性目标追踪
拉普拉斯噪声
鲁棒性
同时稀疏表示
模板更新
无监督学习
基于深度特征的稀疏表示目标跟踪算法
目标跟踪
稀疏表示
卷积神经网络
生成模型
深度学习
基于稀疏图的鲁棒谱聚类算法
谱聚类
稀疏表示
图拉普拉斯
L1正则化
内点法
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 基于HTP稀疏表示的鲁棒目标追踪方法
来源期刊 科技与创新 学科
关键词 目标追踪 稀疏表示 硬阈值追踪 计算量
年,卷(期) 2017,(19) 所属期刊栏目 创新思维
研究方向 页码范围 46-47
页数 2页 分类号 TP391.41
字数 语种 中文
DOI 10.15913/j.cnki.kjycx.2017.19.046
五维指标
作者信息
序号 姓名 单位 发文数 被引次数 H指数 G指数
1 朱莉波 广东工业大学自动化学院 2 5 1.0 2.0
2 聂欢 广东工业大学自动化学院 2 5 1.0 2.0
3 刘嘉穗 广东工业大学自动化学院 2 4 1.0 2.0
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (0)
共引文献  (0)
参考文献  (0)
节点文献
引证文献  (1)
同被引文献  (0)
二级引证文献  (0)
2017(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
2018(1)
  • 引证文献(1)
  • 二级引证文献(0)
研究主题发展历程
节点文献
目标追踪
稀疏表示
硬阈值追踪
计算量
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
科技与创新
半月刊
2095-6835
14-1369/N
大16开
2014-01-01
chi
出版文献量(篇)
41653
总下载数(次)
0
总被引数(次)
202805
论文1v1指导