支持向量機(jī)的目標(biāo)快速跟蹤算法
推薦 + 挑錯(cuò) + 收藏(0) + 用戶評(píng)論(0)
復(fù)雜場(chǎng)景下基于判別式分類器的目標(biāo)跟蹤通常采用復(fù)雜的外觀表示模型以提高跟蹤精度,但影響了算法的實(shí)時(shí)性。為此,提出一種基于半色調(diào)的二值特征來(lái)描述目標(biāo)的外觀,在此基礎(chǔ)上對(duì)結(jié)構(gòu)化輸出支持向量機(jī)(SVM)的核函數(shù)進(jìn)行改進(jìn),實(shí)現(xiàn)了判別模型的快速更新和判別;同時(shí)提出一種基于分塊匹配的判別模型更新策略,保證了跟蹤過程中樣本的可靠性。在Benchmark數(shù)據(jù)集上進(jìn)行的測(cè)試實(shí)驗(yàn)中,與壓縮跟蹤(CT)算法、跟蹤學(xué)習(xí)檢測(cè)(TLD)算法和核化的結(jié)構(gòu)化輸出跟蹤(Struck)算法相比,在跟蹤速度上,該算法分別提高了0.2倍、4.6倍、5.7倍;在跟蹤精度上,當(dāng)重疊率閾值取0.6時(shí),該算法的成功率達(dá)到0. 62,而其他三種算法的成功率均在0.4以下,當(dāng)位置誤差閾值取10時(shí),該算法的精度為0. 72,而其他三種算法精度均小于0.5。實(shí)驗(yàn)結(jié)果表明該算法在發(fā)生光照變化、尺度變化、嚴(yán)重遮擋和突變運(yùn)動(dòng)等復(fù)雜情況下均具有很好的魯棒性和實(shí)時(shí)性。
非常好我支持^.^
(0) 0%
不好我反對(duì)
(0) 0%
下載地址
支持向量機(jī)的目標(biāo)快速跟蹤算法下載
相關(guān)電子資料下載
- 多目標(biāo)跟蹤算法總結(jié)歸納 514
- 如何利用一些小技巧實(shí)現(xiàn)SVM的增量式訓(xùn)練 321
- 深度解析機(jī)器學(xué)習(xí)各大模型原理 1144
- 與光同行!天合跟蹤開拓者1P賦能巴西520MW圣盧西亞項(xiàng)目 930
- 基于計(jì)算機(jī)視覺與機(jī)器學(xué)習(xí)技術(shù)的跌倒風(fēng)險(xiǎn)預(yù)測(cè) 227
- 機(jī)器學(xué)習(xí)基礎(chǔ)知識(shí)全攻略 126
- 支持向量機(jī)的基本原理 支持向量機(jī)可以解決什么問題 1064
- 如何使用Python進(jìn)行圖像識(shí)別的自動(dòng)學(xué)習(xí)自動(dòng)訓(xùn)練? 321
- 關(guān)于機(jī)器學(xué)習(xí)的17種常用算法 320
- 使用Python從零實(shí)現(xiàn)多分類SVM 337