排序方式: 共有2条查询结果,搜索用时 31 毫秒
1
1.
针对复杂场景下目标跟踪中目标出现的外观特征变化和遮挡问题,提出一种结合超像素和广义霍夫变换的在线实时目标跟踪算法.该算法从上下文中提取局部特征作为支持因子,构建一个混合的判别产生式对象模型.利用该模型,通过霍夫投票预测目标的中心位置,再通过判别式投票对目标和背景进行概率估计.对图像进行超像素分割,将之前的投票结果映射到对应的超像素,生成基于超像素的概率分布图像.采用贝叶斯跟踪框架,根据后验概率最大化,在概率分布图像基础上确定目标的位置.实验表明,该算法在复杂环境下目标跟踪的过程中对目标发生的形变和遮挡现象有很强的鲁棒性,能够实现准确稳定的在线目标跟踪. 相似文献
2.
针对现有检测算法对场景先验信息和群体运动规律考虑甚少这一局限性,提出一种结合场景运动模式的有向加权AdaBoost目标检测算法.该算法首先建立了一种基于速率加权方向直方图矩阵的场景运动模式模型,并在此基础上通过稀疏光流投票方法获取场景的运动模式信息.同时,针对该模型提出一种有向加权AdaBoost检测算法,通过建立多个有向AdaBoost分类过程,并利用局部区域的运动模式对分类过程加权,最终实现运动目标检测.通过交叉验证分类实验和视频检测实验验证,该算法在相同假阳性率条件下的查准率较传统AdaBoost检测器的高出约10%,充分验证了算法的有效性和优越性. 相似文献
1