-
公开(公告)号：CN108734723A
公开(公告)日：2018-11-02
申请号：CN201810466423.0
申请日：2018-05-11
Applicant: 江南大学
IPC: G06T7/246
Abstract: 一种基于自适应权重联合学习的相关滤波目标跟踪方法，属于机器视觉领域。该方法将相关滤波模型与基于颜色直方图的颜色模型相结合，充分利用相关滤波模型的判别特性来有效区分目标和背景，同时通过颜色模型获取直方图分数来更好的应对遮挡、闭塞、变形和其他复杂的环境。为了充分利用这两个模型的优势，本发明提出置信度权重来自适应联合这两个模型。同时在训练相关滤波器时，充分利用背景信息构建空间正则化项，有效抑制背景信息的干扰，进一步提高了算法在跟踪过程中的鲁棒性。为使目标模型在跟踪过程中更好地应对目标尺度的不断变化，本发明构建了单独的快速尺度检测模型。
-
公开(公告)号：CN108734723B
公开(公告)日：2022-06-14
申请号：CN201810466423.0
申请日：2018-05-11
Applicant: 江南大学
IPC: G06T7/246
Abstract: 一种基于自适应权重联合学习的相关滤波目标跟踪方法，属于机器视觉领域。该方法将相关滤波模型与基于颜色直方图的颜色模型相结合，充分利用相关滤波模型的判别特性来有效区分目标和背景，同时通过颜色模型获取直方图分数来更好的应对遮挡、闭塞、变形和其他复杂的环境。为了充分利用这两个模型的优势，本发明提出置信度权重来自适应联合这两个模型。同时在训练相关滤波器时，充分利用背景信息构建空间正则化项，有效抑制背景信息的干扰，进一步提高了算法在跟踪过程中的鲁棒性。为使目标模型在跟踪过程中更好地应对目标尺度的不断变化，本发明构建了单独的快速尺度检测模型。
-
公开(公告)号：CN111340842A
公开(公告)日：2020-06-26
申请号：CN202010097370.7
申请日：2020-02-17
Applicant: 江南大学
Abstract: 本发明公开了一种基于联合模型的相关滤波目标跟踪算法，属于机器视觉领域。与传统的相关滤波算法不同，本发明采用置信度权重来将KCF模型和CN模型融合，发挥各自模型的特点进行目标跟踪。为了应对跟踪过程中尺度变化的问题，本发明引入了一个单独的尺度滤波器对尺度进行估计。为了应对遮挡，本发明对图像进行分块并计算图像块之间的相似性，以相似性作为判断遮挡的依据。同时采用了分类器池的方法，进一步提高了算法的鲁棒性。
-
公开(公告)号：CN111340842B
公开(公告)日：2023-04-18
申请号：CN202010097370.7
申请日：2020-02-17
Applicant: 江南大学
IPC: G06T7/246 , G06T7/90 , G06V10/50 , G06V10/764
Abstract: 本发明公开了一种基于联合模型的相关滤波目标跟踪算法，属于机器视觉领域。与传统的相关滤波算法不同，本发明采用置信度权重来将KCF模型和CN模型融合，发挥各自模型的特点进行目标跟踪。为了应对跟踪过程中尺度变化的问题，本发明引入了一个单独的尺度滤波器对尺度进行估计。为了应对遮挡，本发明对图像进行分块并计算图像块之间的相似性，以相似性作为判断遮挡的依据。同时采用了分类器池的方法，进一步提高了算法的鲁棒性。
-
-
-
Search Results
4
records
(took 0.014 seconds)
