排序方式: 共有15条查询结果,搜索用时 78 毫秒
1.
3.
陆兵顾苏杭 《激光与光电子学进展》2017,(9):157-167
为解决运动目标跟踪过程中由于遮挡、光照变化、尺度变化等因素导致的目标易丢失以及传统Camshift跟踪算法中跟踪窗口易发散等问题,提出一种融合优化的隐马尔可夫模型(HMM)和分块特征匹配的运动目标跟踪算法。首先,利用主成分分析(PCA)结合特征位置对目标仿射尺度不变特征变换(ASIFT)特征进行降维生成PCA-ASIFT特征,保留目标关键信息;其次,采用粒子滤波最优特征位置优化目标PCA-ASIFT特征的HMM参数;最后,通过HSV直方图模型建立目标分块,赋予不同目标分块相应权重并结合分块特征匹配以改善Camshift算法实现运动目标跟踪。实验结果表明,在自然场景下,本文算法能够取得较好的运动目标跟踪效果,对遮挡、尺度变化等具有较好的稳健性。 相似文献
4.
真实数据集中存在的对抗样本易导致分类器取得较差的分类性能,但如果其能够被合理利用,分类器的泛化能力将得到显著提高。针对现有大部分分类器并没有涉及对抗样本信息的问题,提出一种攻击标签信息的堆栈式支持向量机。该方法从给定的初始数据集中选取一定比例的样本,并攻击所选取样本的标签,使之成为对抗样本,即将样本标签替换成其他不同类型的标签,利用支持向量机训练包含对抗样本的数据集,从而生成对抗支持向量机。计算对抗支持向量机的输出误差相对于输入样本的一阶梯度信息,并将其嵌入到输入样本特征中以更新输入样本。将更新后的样本输入到下一个对抗支持向量机中,并重新训练。以堆栈方式级联一定数目的对抗支持向量机,直至取得最好的分类性能。原理分析与实验结果表明,基于对抗样本的一阶梯度信息不仅提供了分类器输出与输入之间的一种正相关关系,而且为堆栈式支持向量机中的子分类器提供了一种新的堆栈方式,并提高了分类器的整体性能。 相似文献
5.
挖掘除数据点本身以外的信息并以此引导和提高数据分类的精度是值得研究的课题.由此,文中提出建立与数据集对应的网络方法挖掘数据点之间的位置关系及关联信息.依据网络节点连接特性确定节点及子网络效率,赋予节点浓度概念,迭代计算节点的真实影响力,充分挖掘并处理蕴含在数据点关联作用中的信息作为数据点物理特征之外的辅助信息,构建基于数据点本身及其位置关系辅助信息挖掘的分类方法.在保证较高数据分类精度的前提下,文中方法具有较低的时间复杂度.在人造数据集和真实数据集上实验验证文中方法的有效性,该方法尤其与经典的分类方法存在显著区别. 相似文献
6.
针对CamShift算法只利用目标的颜色信息,在跟踪过程中,易受目标相似物、遮挡以及光照等复杂背景影响导致目标搜索窗口发散,跟踪稳定性能降低,提出了一种基于阈值判断的目标跟踪方法。该方法将OTSU法和Snake模型结合,利用OTSU法以最佳阈值对图像进行分割,分离前景区域和背景区域,初步提取目标轮廓作为Snake模型的初始轮廓,经收敛得到目标的精准轮廓,利用轮廓外接最小矩形框内的像素计算目标质心,判断与CamShift算法中目标搜索窗口质心之间的欧式距离,如果未超出阈值,则直接使用CamShift算法跟踪目标,反之,则将计算出的目标质心作为CamShift算法中当前帧目标搜索窗口的质心跟踪目标。实验结果表明,该算法跟踪目标具有较好的实时性,跟踪性能稳定、可靠。 相似文献
7.
基于SIFT特征匹配的CamShift运动目标跟踪算法 总被引:1,自引:0,他引:1
针对复杂背景下采用一般CamShift算法跟踪目标容易失败,提出将SIFT(Scale Invariant Feature Transform)特征点匹配融入到CamShift算法。该算法利用SIFT特征对尺度和方向无关特性实现连续图像序列的精准匹配,具有对尺度缩放、目标旋转以及亮度变化保持不变性的优点,不仅弥补了一般CamShift算法只以颜色为关键信息的不足,而且可将目标跟踪窗口形心和质心间的位移稳定在设定阈值内。最后通过对比性实验来验证该算法的有效性和稳定性。实验结果表明,该算法能够对复杂背景下的光照突变、缩放和旋转运动目标实现实时稳定跟踪。 相似文献
8.
9.
10.