支持向量機的目標快速跟蹤算法
大?。?/span>0.71 MB 人氣： 2018-01-03 需要積分：1
復雜場景下基于判別式分類器的目標跟蹤通常采用復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的二值特征來描述目標的外觀，在此基礎上對結構化輸出支持向量機（SVM）的核函數進行改進，實現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數據集上進行的測試實驗中，與壓縮跟蹤（CT）算法、跟蹤學習檢測（TLD）算法和核化的結構化輸出跟蹤（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，當重疊率閾值取0.6時，該算法的成功率達到0. 62，而其他三種算法的成功率均在0.4以下，當位置誤差閾值取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。實驗結果表明該算法在發生光照變化、尺度變化、嚴重遮擋和突變運動等復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
支持向量機的目標快速跟蹤算法下載
相關電子資料下載
- 多目標跟蹤算法總結歸納 514
- 如何利用一些小技巧實現SVM的增量式訓練 321
- 深度解析機器學習各大模型原理 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習技術的跌倒風險預測 227
- 機器學習基礎知識全攻略 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進行圖像識別的自動學習自動訓練？ 321
- 關于機器學習的17種常用算法 320
- 使用Python從零實現多分類SVM 337