联合生成与判别模型的目标检测与跟踪

提出了一种新的基于生成-判别模型的目标检测与跟踪方法。利用DAISY特征描述子所具有的对光照、形变、视角、尺度的不变性以及计算高效的特点,提取目标稳定的特征点并加以表达,形成生成模型;采用霍夫森林分类器作为判别模型,用以训练目标图像块。在后续视频序列中利用目标的检测结果和判别码本的相似性测量对模型进行更新,构建一个动态自适应的判别码本。实验证明这种将快速有效的DAISY描述子和识别率高、鲁棒性强的霍夫森林分类器相结合的算法,跟踪精度高、实时性较好,具有目标局部防遮挡能力和不同分辨率下的识别能力。     

基于Mean Shift和粒子滤波的运动目标跟踪

针对Mean Shift算法跟踪效果不佳以及粒子滤波算法计算量大且实时性不强等问题,提出了一种结合Mean Shift和粒子滤波的运动目标跟踪融合算法。首先用MeanShift算法进行跟踪,在跟踪结果不佳的情况下用粒子滤波算法进行修正。实验结果表明,融合算法很好地结合了两种算法的优点,既保留了Mean Shift算法的实时性,又很好地体现了粒子滤波算法的鲁棒性,实用性很强。