基于分塊模型和在線學習的目標跟蹤.pdf_第1頁
已閱讀1頁,還剩73頁未讀 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、在許多領域,對視頻圖像序列中的運動目標進行檢測與跟蹤都有著重要的應用,如智能交通系統(tǒng)、醫(yī)療診斷、遙感控制、人機交互等。而非剛體目標跟蹤在外觀形態(tài)和內在結構等方面有著不確定性和復雜性,如何提高算法在非剛體目標跟蹤過程中的魯棒性和自適應性是研究者們面臨的一大問題,如何對暫時消失又出現(xiàn)的運動目標保持良好的跟蹤效果又是一大問題。
  本文主要研究了TLD(Tracking-Learning-Detection)算法和基于分塊動態(tài)外觀模型與

2、自適應能量谷跳躍蒙特卡羅思想的跟蹤算法。TLD算法采用學習模塊將跟蹤器、檢測器結合起來,對外觀形態(tài)變化較小、從視野中暫時消失又出現(xiàn)的目標有理想的跟蹤效果,但不適用于姿態(tài)變化較大的非剛體目標跟蹤?;诜謮K模型的改進粒子濾波算法對非剛體目標有實時跟蹤結果,但當目標消失又出現(xiàn)時,由于粒子濾波算法沒有在線學習能力,所以無法再跟蹤上目標。
  本文在以上兩種算法的基礎上給予改進,在分塊動態(tài)外觀模型的框架下對小分塊進行多線程 TLD算法跟蹤,

3、提出基于海森矩陣條件數(shù)的小分塊初始化方法,同時加入分塊在線學習檢測思想,并且根據(jù)小分塊的跟蹤結果提出了一套小分塊的退化更新方法和目標還原策略,對小分塊進行在線評估和修改,最終由符合要求的小分塊還原出目標位置。
  實驗表明,本文算法對速度變化不等的剛體目標都有很好的跟蹤效果,對外觀姿態(tài)變化較大的非剛體目標,其跟蹤效果要遠遠優(yōu)于傳統(tǒng) TLD算法,且當目標在視野內消失又出現(xiàn)時,本文算法比基于分塊模型的改進粒子濾波算法有更好的魯棒性和可

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論