2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩77頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)

文檔簡介

1、在視頻流中跟蹤指定的目標是自動化圖像識別中的一項重要任務(wù),例如行為分析,自然人機互動和自動導(dǎo)航等等?,F(xiàn)實情況中長時間跟蹤會由于一些因素,比如光線變化,位置變化,遮擋,目標的形態(tài)變化,類似物體的干擾等而導(dǎo)致跟蹤困難。早期的跟蹤算法在整個視頻中采用固定的目標模板,根據(jù)模板匹配原則確定后續(xù)幀中目標的位置。這種方法的缺點是隨著目標形態(tài)的變化,目標特征會與第一幀中提取出的模板特征有很大不同,導(dǎo)致匹配錯誤,進而出現(xiàn)跟蹤失敗。粒子濾波即根據(jù)模板匹配來

2、確定粒子權(quán)重,它同時采用了模板更新的方法,但如果環(huán)境突然變動,仍會跟蹤失效。且因為粒子數(shù)量有限,一旦失效后很難再重新定位目標,而整幀都取粒子則會有很大的計算開銷,導(dǎo)致不能實時跟蹤。最近提出的粒子濾波與檢測器結(jié)合的算法因檢測器是在粒子濾波預(yù)測的位置上進行檢測,如果目標不在預(yù)測的位置上,丟失目標后仍然不能重新定位。
  本文針對粒子濾波跟蹤算法在丟失目標后難以恢復(fù)的不足,借鑒了粒子濾波與檢測器結(jié)合的思想,提出將粒子濾波與檢測器結(jié)合,但

3、要改變檢測器的搜索策略。因此文中將粒子濾波算法與TLD算法中的全局檢測器結(jié)合,針對結(jié)合檢測器以后出現(xiàn)的問題,本文主要做了以下幾點工作:
  1.原始的粒子濾波算法使用HSV顏色模型,而檢測器中使用的是灰度圖像特征,為了將它們結(jié)合,考慮了最近效果較好的幾種灰度圖像特征,比較并分析它們在粒子濾波中的效果。最終選取了灰度直方圖作為特征。
  2.在使用了原有的粒子濾波算法流程時效果并不理想,經(jīng)發(fā)現(xiàn)是粒子權(quán)重的計算公式并不適合現(xiàn)有跟

4、蹤方法,因此改變了粒子權(quán)重計算公式。
  3.在結(jié)合了粒子濾波與檢測器之后,仍使用TLD算法中的輸出選擇策略時檢測器難以發(fā)揮作用,經(jīng)分析得出粒子濾波沒有自我判別標準,導(dǎo)致跟蹤失效時仍具有較高置信度的輸出。因此本文為粒子濾波添加一個自我判別標準,為粒子濾波單獨設(shè)置一個閾值,當(dāng)粒子濾波輸出置信度低于這個閾值時,認為跟蹤失效,將其輸出丟棄,而直接采用檢測器輸出作為最終輸出。
  4.討論了粒子濾波中的模板更新問題,盡管模板更新策略

5、在原始的粒子濾波中起了改善效果的作用,但是本文在經(jīng)過分析之后采取固定的模板,以平衡粒子濾波與檢測器,從而達到更好的效果。
  仿真實驗中采用中心位置誤差(CLE)作為測試比較準則,與灰度下有模板更新的粒子濾波算法,以及基于分塊模板匹配的frag算法進行對比,發(fā)現(xiàn)跟蹤失敗后,粒子濾波的中心位置誤差持續(xù)增長,而本文提出的方法因為可以重新定位目標,中心位置誤差在一段時間后會下降,且顯著優(yōu)于frag算法。因此總結(jié)出本文提出的結(jié)合在線學(xué)習(xí)檢

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論