科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对基于分类模型的目标跟踪算法中存在的样本划分不精确,实时性较差,当目标形变和背景光照变化较大时跟踪不稳定的问题,提出一种以加权模型匹配为框架,结合样本约束学习的实时跟踪算法。该算法利用样本约束函数来解决样本划分不精确、过程复杂的问题。将得到的正、负样本进行对比度及亮度变换等处理,并采用二值采样进行特征提取,从而得到丰富的特征集以提供给随机蕨分类器进行学习与训练,使其适应跟踪时目标或背景的光照变化。将分类器检测的结果与在线模型库中的模型相结合实现价值评估,从而克服目标的轻微形变得到更精确的目标位置。与较先进的跟踪算法在公用测试集上进行跟踪效果测试与对比,该算法的平均精确度为0.702;平均覆盖率为0.516;平均处理速度为31.6fps。在保证实时性的同时,一定程度上提升了目标形变和背景光照变化较大时的跟踪精度与鲁棒性。
- 单位
