融合SVM 的多特征DSST 目标跟踪算法

为解决DSST算法多尺度搜索策略跟踪时目标出现严重遮挡、非刚性形变、目标脱离视场导致的目标外观变化的问题,提出一种将支持向量机(support vector machine,SVM)目标重检测模块融合的算法.提取目标的多种特征然后将这些特征矢量融合以增强目标的特征表达.在DSST算法的位置和尺度滤波器的基础上,新增目标外观滤波器,利用训练好的SVM全局搜索目标.采用不同大小的窗口采样来训练相关模型并建立一个SVM的最优分类面,通过SVM对丢失后的目标进行重检测.实验结果表明,改进算法比DSST算法在对目标受到遮挡、目标非刚性形变等问题上的鲁棒性能均有提高.     

基于改进的核相关滤波算法的红外目标跟踪

核相关滤波(KCF)算法在跟踪过程中由于目标受到遮挡或者目标本身的形变、大小变化等问题容易丢失目标.针对以上问题对原算法做出如下改进:一是加入检测模型响应值的方法作为判定目标是否丢失的依据,一旦判定目标丢失,模型就会暂停更新,增加采样窗口个数来扩大目标搜索范围,直至判定为重新定位目标;二是加入一种自适应的多尺度搜索策略...     

基于相关滤波跟踪算法的测试与分析

基于相关滤波的跟踪算法具有跟踪速度快以及在线学习并同步更新的特点,对其进行测试与分析.详细介绍几种经典的相关滤波跟踪模型,根据诸多算法在OTB-2013(object tracking benchmark)上的测试运行结果,对比分析各种算法的总体跟踪性能和在跟踪难点问题上的跟踪鲁棒性能,横向分析相关滤波算法在应对各种跟踪难点问题时所做的一系列改进,并对未来的发展给出几点看法.结果表明,该分析可对相关研究提供参考借鉴.