共查询到10条相似文献,搜索用时 15 毫秒
1.
2.
目标跟踪是计算机视觉领域重要研究方向之一。压缩感知跟踪速度快、精度高,但是跟踪被遮挡目标时使用被遮挡的哈尔特征构建分类器,导致分类器性能降低,目标容易丢失。为了解决该问题,提出了根据l1稀疏表示判断哈尔特征是否被遮挡,然后使用未被遮挡的特征构建贝叶斯分类器。首先对每一帧跟踪结果运用稀疏表示提取出未被遮挡特征的集合,在构建贝叶斯分类器时仅使用未被遮挡的特征。然后使用训练好的分类器对下一帧候选样本进行分类,选取具有最大分类响应的候选样本作为跟踪结果。实验结果表明,该算法在跟踪目标部分遮挡时相比CT算法有更高跟踪准确度,算法能够实时得到高效、准确的目标跟踪结果。 相似文献
3.
甘志英 《唐山师范学院学报》2023,(6):78-82
针对目标跟踪中的快速运动、旋转、遮挡等问题,采用核函数算法实现目标跟踪。利用卷积实现密集采样,使用高斯核函数岭回归估计目标位置,在线更新高斯模型和核相关滤波器。通过OTB数据集对算法进行实验验证,结果表明,算法Precision能达到69.7%,Success达到66.8%,跟踪速度达412fps。实验表明,算法在跟踪过程中可对旋转、模糊、遮挡图像中的目标进行有效跟踪,在多个指标上优于其它比较算法。 相似文献
4.
5.
针对视觉跟踪中运动目标的鲁棒性问题,提出一种基于卷积神经网络结合稀疏自动编码器的特征提取方法进行图像目标跟踪。该方法首先将大量有标注数据集输入到卷积神经网络进行预训练,然后使用这些卷积特征无监督的训练稀疏自编码器得到稀疏特征,并利用该特征对目标进行描述。最后结合两种经典的跟踪方法,采用Meanshift与卡尔曼滤波对目标进行实时跟踪。结果表明,利用深度学习模型代替以往人工提取特征的方式能够更好地描述目标模型,对光照变化、尺度变化、遮挡等都具有良好的适应性,以及较好的实时性。 相似文献
6.
7.
传统的Camshift运动目标跟踪算法在目标遮挡或背景颜色干扰下,容易陷入局部最大值,造成目标跟踪丢失。针对这一问题,提出了一种结合Kalman滤波及Surf特征提取的改进算法。该算法需在视频序列中手动框选跟踪目标作为目标模板。将传统Camshift算法得到的目标候选区域与目标模板进行直方图对比,得到的巴氏系数若大于设定的阈值则说明目标跟踪丢失。采用Surf算法,在该帧图像中匹配出新的目标候选区域,最终得到候选区域的位置信息更新Kalman滤波。仿真实验表明,改进后的算法在复杂背景下仍然具有良好的跟踪效果。 相似文献
8.
9.
目标跟踪是计算机视觉领域重要的研究方向之一。基于l1最小化稀疏表示的目标跟踪算法跟踪精度高,但是在跟踪部分遮挡目标或当背景中存在与目标相似的干扰物时会发生漂移。这主要是因为算法仅关注目标的整体特征,而忽略了目标局部特征的变化情况。为了解决该问题,提出基于目标外观局部稀疏表示的跟踪算法。首先,对待选样本进行分块,然后利用采集得到的模板对各分块进行稀疏表示并计算重构误差,最后选取累积误差最小的待选样本作为跟踪目标。实验结果表明,该算法在跟踪被部分遮挡的目标时相比l1跟踪算法有更高的准确度。 相似文献
10.
压缩感知目标跟踪算法由于特征单一,导致在目标纹理变化、光照变化和背景变换较大的情况下,跟踪目标漂移甚至丢失。针对该问题,提出了一种融合多特征的实时目标跟踪算法。该算法首先融合多种特征进行特征提取,解决了特征单一问题,显示了较好的鲁棒性。然后在分类器进行更新时应用加权函数解决分类器权重问题。在OTB 13测试库选取3个测试序列对改进算法进行测试。实验结果表明,改进算法在处理目标外观变换和遮挡变化时显示出了良好的鲁棒性。 相似文献