發(fā)布時間：2019-01-28 09:55

【摘要】：目的為了提高目標跟蹤的準確度,提出結(jié)合背景信息的自適應加權(quán)壓縮跟蹤算法。方法針對目標邊緣背景信息的干擾問題,提出對目標框架分塊提取特征,根據(jù)區(qū)域分配權(quán)值,弱化特征提取過程中背景信息的干擾;利用正負樣本特征概率分布的Bhattacharyya距離,自適應地選取區(qū)分度較大的特征進行分類器訓練,提高分類器的魯棒性;針對目標遮擋導致分類器分類不準確問題,提出設(shè)置目標遮擋檢測機制,結(jié)合目標和局部背景信息對目標實現(xiàn)遮擋環(huán)境下的跟蹤。結(jié)果與目前較流行的5種算法在6個具有挑戰(zhàn)性的序列中進行比較,本文提出的算法平均跟蹤率達到90%,平均每幀耗時0.088 6 s。結(jié)論本文算法在背景干擾,光線變換,目標旋轉(zhuǎn)、形變、遮擋和復雜背景環(huán)境下的跟蹤具有較高魯棒性。
[Abstract]:Aim to improve the accuracy of target tracking, an adaptive weighted compression tracking algorithm combined with background information is proposed. Methods to deal with the interference of background information on the edge of the target, the feature is extracted from the target frame block, and the interference of the background information in the extraction process is weakened according to the weight value of the region distribution. By using the Bhattacharyya distance of the probability distribution of positive and negative samples, the classifier is trained adaptively to select the feature with a large degree of discrimination to improve the robustness of the classifier. Aiming at the inaccurate classification of classifier caused by target occlusion, a target occlusion detection mechanism is proposed, which combines target and local background information to track the target in occlusion environment. Results compared with five popular algorithms in six challenging sequences, the average tracking rate of the proposed algorithm is 90, and the average time per frame is 0.088 s. Conclusion the proposed algorithm is robust to background interference, ray transformation, target rotation, deformation, occlusion and complex background.
【作者單位】： 江西理工大學信息工程學院;
【基金】：國家自然科學基金項目(61105042,61462035) 江西省青年科學家(井岡之星)培養(yǎng)對象計劃基金項目(20153BCB23010)~~
【分類號】：TP391.41

【相似文獻】

相關(guān)期刊論文 前10條

1 池磊;李文勇;;模糊數(shù)學和自適應加權(quán)平均在多傳感器數(shù)據(jù)融合中的比較研究[J];裝備制造技術(shù);2012年12期

2 李大勇,王紅軍;基于時間序列的自適應加權(quán)被動定位[J];計算機仿真;2004年11期

3 陳曉娟;夏立;卜樂平;楊加軍;;自適應加權(quán)融合算法在圖像型火災探測系統(tǒng)中的應用[J];艦船電子工程;2011年03期

4 肖軍,張石,徐心和;基于模糊組合變量的自適應加權(quán)控制[J];控制與決策;2001年02期

5 梁毓明;徐立鴻;朱丙坤;;測距傳感器系統(tǒng)的測距數(shù)據(jù)在線自適應加權(quán)融合[J];工業(yè)儀表與自動化裝置;2009年05期

6 張陽;沈明霞;孫玉文;劉政;柏廣宇;;基于多傳感器自適應加權(quán)融合的溫室信息系統(tǒng)[J];傳感器與微系統(tǒng);2014年06期

7 常瑞娜;穆曉敏;楊守義;齊林;;基于局部空間像素特征的自適應加權(quán)濾波算法[J];計算機工程與應用;2008年06期

8 陳曉云;胡運發(fā);;基于自適應加權(quán)的文本關(guān)聯(lián)分類[J];小型微型計算機系統(tǒng);2007年01期

9 鄭馳超;彭虎;韓志會;;互相關(guān)自適應加權(quán)的醫(yī)學超聲成像算法研究[J];物理學報;2014年14期

10 關(guān)新平,劉冬,唐英干;基于可分離性判據(jù)的自適應加權(quán)紋理圖像分割[J];計算機應用研究;2005年11期

相關(guān)碩士學位論文 前5條

1 邵州華;多傳感器數(shù)據(jù)融合算法的研究與應用[D];東北大學;2013年

2 楊浩博;多外觀模型自適應加權(quán)的粒子濾波目標跟蹤算法研究[D];鄭州大學;2016年

3 李培培;自適應加權(quán)超寬帶能量檢測接收技術(shù)的研究[D];長安大學;2016年

4 朱曉倩;自適應加權(quán)平均濾波器權(quán)系數(shù)的選取[D];暨南大學;2008年

5 姜濱;FSP近區(qū)段含水率預測算法及溫度自適應加權(quán)融合方法研究[D];東北林業(yè)大學;2010年

，

本文編號：2416956