光学精密工程
光學精密工程
광학정밀공정
Optics and Precision Engineering
2015年
8期
2339-2348
,共10页
程帅%曹永刚%孙俊喜%刘广文%韩广良
程帥%曹永剛%孫俊喜%劉廣文%韓廣良
정수%조영강%손준희%류엄문%한엄량
目标跟踪%跟踪-学习-检测%二值化规范梯度%加权
目標跟蹤%跟蹤-學習-檢測%二值化規範梯度%加權
목표근종%근종-학습-검측%이치화규범제도%가권
target tracking%Tracking-Learning-Detection (TLD)%BInary Normed Gradient (BING)%weighting
为提高复杂环境下TLD(Tracking-Learning-Detection)算法的跟踪精度和速度,提出基于二值化规范梯度(BING)的高效TLD目标跟踪算法.在跟踪器中引入基于时空上下文的局部跟踪器失败预测方法和全局运动模型评估算法,提高了跟踪器准确度和鲁棒性;用BING算法取代滑动窗口搜索策略,结合级联分类器实现目标检测,减少了检测器的检测范围,提高了检测的处理速度;将训练样本权重整合到在线学习过程中,改进级联分类器的分类准确度,解决了目标漂移问题.对不同的图片序列实验结果表明:本算法的跟踪正确率达85％,帧率达19.79 frame/s.与原始TLD算法及其他主流跟踪算法相比较,该算法在复杂环境下具有更高的鲁棒性、跟踪精度及处理速度.
為提高複雜環境下TLD(Tracking-Learning-Detection)算法的跟蹤精度和速度,提齣基于二值化規範梯度(BING)的高效TLD目標跟蹤算法.在跟蹤器中引入基于時空上下文的跼部跟蹤器失敗預測方法和全跼運動模型評估算法,提高瞭跟蹤器準確度和魯棒性;用BING算法取代滑動窗口搜索策略,結閤級聯分類器實現目標檢測,減少瞭檢測器的檢測範圍,提高瞭檢測的處理速度;將訓練樣本權重整閤到在線學習過程中,改進級聯分類器的分類準確度,解決瞭目標漂移問題.對不同的圖片序列實驗結果錶明:本算法的跟蹤正確率達85％,幀率達19.79 frame/s.與原始TLD算法及其他主流跟蹤算法相比較,該算法在複雜環境下具有更高的魯棒性、跟蹤精度及處理速度.
위제고복잡배경하TLD(Tracking-Learning-Detection)산법적근종정도화속도,제출기우이치화규범제도(BING)적고효TLD목표근종산법.재근종기중인입기우시공상하문적국부근종기실패예측방법화전국운동모형평고산법,제고료근종기준학도화로봉성;용BING산법취대활동창구수색책략,결합급련분류기실현목표검측,감소료검측기적검측범위,제고료검측적처리속도;장훈련양본권중정합도재선학습과정중,개진급련분류기적분류준학도,해결료목표표이문제.대불동적도편서렬실험결과표명:본산법적근종정학솔체85％,정솔체19.79 frame/s.여원시TLD산법급기타주류근종산법상비교,해산법재복잡배경하구유경고적로봉성、근종정도급처리속도.
