排序方式: 共有3条查询结果,搜索用时 0 毫秒
1
1.
2.
传统基于Haar-like特征的在线boosting跟踪算法(HBT)采用局部穷举搜索目标的方式,不能很好地应对运动速度较快的目标以及目标被完全遮挡的情形。当目标状态和周围背景发生变化时,传统HBT算法会产生累积错误。对此系统进行改进,提出一种基于多特征级联筛查的在线boosting快速跟踪算法:将每帧视频网格化,依次根据目标运动方式、网格方差、目标模型、颜色分布以及重叠情况等多种特征级联筛选出有可能成为目标的网格。将这些候选网格交给boosting分类器得到最终的置信度,从而得到目标位置信息,实现快速的在线目标跟踪。用朴素贝叶斯分类器代替简单的阈值分类器,提高算法的准确性。实验结果表明,所提出的方法在鲁棒性、准确性和实时性上都有很大提升。 相似文献
3.
室外视频前景检测中的形态学改进ViBe算法 总被引:2,自引:0,他引:2
背景差分法是实际中应用最广泛的前景检测方法,其关键是背景建模,比较常用的背景建模方法是高斯混合模型GMM(Gaussian Mixture Model)。最近一种称为视觉背景抽取算法ViBe(Visual Background extractor)由于其简单、快速的特点得到了越来越多的重视。但对于存在动态背景的户外视频,仍然存在噪声及背景的干扰。提出用形态学方法对算法进行改进,即先用开操作来消除噪声,再用闭操作来填充物体内细小空洞等。用ROC曲线测试了算法性能,结果表明,进行形态学处理后算法性能有了比较大的提高,比如对于户外视频Watersurface,在FPR为1%时TPR最高提高了31%。 相似文献
1