基于镜像Mean Shift的遮挡目标跟踪算法

来源 :计算机应用 | 被引量 : 6次 | 上传用户:bright545454
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
针对当目标跟踪过程中目标被全遮挡时易导致目标跟踪不精确、甚至丢失目标的问题,提出一种基于镜像Mean Shift的遮挡目标跟踪算法。当前后帧Bhattacharyya系数匹配度大于等于80%时,表示目标没有被遮挡,采用颜色特征和轮廓特征定位目标,利用分块沙包窗核函数实现尺寸自适应;当前后帧Bhattacharyya系数匹配度小于80%时,表示目标进入遮挡区域,则利用先验训练分类器和镜像原理对遮挡区域目标的位置和尺寸大小进行预测;当前后帧Bhattacharyya系数匹配度再次大于等于80%时,表示目
其他文献
为了提高图像的记忆性预测能力,提出了一种基于视觉显著熵与改进的Object Bank特征的图像记忆性自动预测方法。该方法改进了传统的Object Bank特征,提取图像的视觉显著熵特征,利用支持向量回归机(SVR)训练得到图像的记忆性预测模型。实验结果表明,在预测准确性方面,所提方法比现有的方法的相关系数高出3个百分点。所提出的模型可以应用于图像的记忆性预测、图像检索排序、广告评价分析等方向。
支持向量机(SVM)作为一种有效的模式分类方法,当数据集规模较大时,学习时间长、泛化能力下降;而核向量机(CVM)分类算法的时间复杂度与样本规模无关,但随着支持向量的增加,CVM的学习时间会快速增长。针对以上问题,提出一种CVM与SVM相结合的二阶段快速学习算法(CCS),首先使用CVM初步训练样本,基于最小包围球(MEB)筛选出潜在核向量,构建新的最有可能影响问题解的训练样本,以此降低样本规模,