支持向量機的目標(biāo)快速跟蹤算法
大?。?/span>0.71 MB 人氣： 2018-01-03 需要積分：1
標(biāo)簽：向量機(20755)跟蹤算法(12990)
復(fù)雜場景下基于判別式分類器的目標(biāo)跟蹤通常采用復(fù)雜的外觀表示模型以提高跟蹤精度，但影響了算法的實時性。為此，提出一種基于半色調(diào)的二值特征來描述目標(biāo)的外觀，在此基礎(chǔ)上對結(jié)構(gòu)化輸出支持向量機（SVM）的核函數(shù)進(jìn)行改進(jìn)，實現(xiàn)了判別模型的快速更新和判別；同時提出一種基于分塊匹配的判別模型更新策略，保證了跟蹤過程中樣本的可靠性。在Benchmark數(shù)據(jù)集上進(jìn)行的測試實驗中，與壓縮跟蹤（CT）算法、跟蹤學(xué)習(xí)檢測（TLD）算法和核化的結(jié)構(gòu)化輸出跟蹤（Struck）算法相比，在跟蹤速度上，該算法分別提高了0.2倍、4.6倍、5.7倍；在跟蹤精度上，當(dāng)重疊率閾值取0.6時，該算法的成功率達(dá)到0. 62，而其他三種算法的成功率均在0.4以下，當(dāng)位置誤差閾值取10時，該算法的精度為0. 72，而其他三種算法精度均小于0.5。實驗結(jié)果表明該算法在發(fā)生光照變化、尺度變化、嚴(yán)重遮擋和突變運動等復(fù)雜情況下均具有很好的魯棒性和實時性。
非常好我支持^.^
(0) 0%
不好我反對
(0) 0%
下載地址
支持向量機的目標(biāo)快速跟蹤算法下載
相關(guān)電子資料下載
- 多目標(biāo)跟蹤算法總結(jié)歸納 514
- 如何利用一些小技巧實現(xiàn)SVM的增量式訓(xùn)練 321
- 深度解析機器學(xué)習(xí)各大模型原理 1144
- 與光同行！天合跟蹤開拓者1P賦能巴西520MW圣盧西亞項目 930
- 基于計算機視覺與機器學(xué)習(xí)技術(shù)的跌倒風(fēng)險預(yù)測 227
- 機器學(xué)習(xí)基礎(chǔ)知識全攻略 126
- 支持向量機的基本原理 支持向量機可以解決什么問題 1064
- 如何使用Python進(jìn)行圖像識別的自動學(xué)習(xí)自動訓(xùn)練？ 321
- 關(guān)于機器學(xué)習(xí)的17種常用算法 320
- 使用Python從零實現(xiàn)多分類SVM 337