计算机应用
計算機應用
계산궤응용
Journal of Computer Applications
2015年
10期
2980-2984
,共5页
目标跟踪%结构化输出%二值特征%支持向量机%判别模型
目標跟蹤%結構化輸齣%二值特徵%支持嚮量機%判彆模型
목표근종%결구화수출%이치특정%지지향량궤%판별모형
object tracking%structured output%binary feature%Support Vector Machine (SVM)%discriminative model
复杂场景下基于判别式分类器的目标跟踪通常采用复杂的外观表示模型以提高跟踪精度,但影响了算法的实时性.为此,提出一种基于半色调的二值特征来描述目标的外观,在此基础上对结构化输出支持向量机(SVM)的核函数进行改进,实现了判别模型的快速更新和判别;同时提出一种基于分块匹配的判别模型更新策略,保证了跟踪过程中样本的可靠性.在Benchmark数据集上进行的测试实验中,与压缩跟踪(CT)算法、跟踪学习检测(TLD)算法和核化的结构化输出跟踪(Struck)算法相比,在跟踪速度上,该算法分别提高了0.2倍、4.6倍、5.7倍;在跟踪精度上,当重叠率阈值取0.6时,该算法的成功率达到0.62,而其他三种算法的成功率均在0.4以下,当位置误差阈值取10时,该算法的精度为0.72,而其他三种算法精度均小于0.5.实验结果表明该算法在发生光照变化、尺度变化、严重遮挡和突变运动等复杂情况下均具有很好的鲁棒性和实时性.
複雜場景下基于判彆式分類器的目標跟蹤通常採用複雜的外觀錶示模型以提高跟蹤精度,但影響瞭算法的實時性.為此,提齣一種基于半色調的二值特徵來描述目標的外觀,在此基礎上對結構化輸齣支持嚮量機(SVM)的覈函數進行改進,實現瞭判彆模型的快速更新和判彆;同時提齣一種基于分塊匹配的判彆模型更新策略,保證瞭跟蹤過程中樣本的可靠性.在Benchmark數據集上進行的測試實驗中,與壓縮跟蹤(CT)算法、跟蹤學習檢測(TLD)算法和覈化的結構化輸齣跟蹤(Struck)算法相比,在跟蹤速度上,該算法分彆提高瞭0.2倍、4.6倍、5.7倍;在跟蹤精度上,噹重疊率閾值取0.6時,該算法的成功率達到0.62,而其他三種算法的成功率均在0.4以下,噹位置誤差閾值取10時,該算法的精度為0.72,而其他三種算法精度均小于0.5.實驗結果錶明該算法在髮生光照變化、呎度變化、嚴重遮擋和突變運動等複雜情況下均具有很好的魯棒性和實時性.
복잡장경하기우판별식분류기적목표근종통상채용복잡적외관표시모형이제고근종정도,단영향료산법적실시성.위차,제출일충기우반색조적이치특정래묘술목표적외관,재차기출상대결구화수출지지향량궤(SVM)적핵함수진행개진,실현료판별모형적쾌속경신화판별;동시제출일충기우분괴필배적판별모형경신책략,보증료근종과정중양본적가고성.재Benchmark수거집상진행적측시실험중,여압축근종(CT)산법、근종학습검측(TLD)산법화핵화적결구화수출근종(Struck)산법상비,재근종속도상,해산법분별제고료0.2배、4.6배、5.7배;재근종정도상,당중첩솔역치취0.6시,해산법적성공솔체도0.62,이기타삼충산법적성공솔균재0.4이하,당위치오차역치취10시,해산법적정도위0.72,이기타삼충산법정도균소우0.5.실험결과표명해산법재발생광조변화、척도변화、엄중차당화돌변운동등복잡정황하균구유흔호적로봉성화실시성.