目標跟蹤綜述(編輯修改稿)
2025-03-27 07:33 本頁面
【文章內容簡介】 a 系數(shù)。因此，這種方法將跟蹤問題轉化為 Mean Shift 模式匹配問題。核函數(shù)是 Mean Shift 算法的核心， 可以通過尺度空間差的局部最大化來選擇核尺度，若采用高斯差分計算尺度空間差，則得到高斯差分 Mean Shift 算法。 ? 優(yōu)缺點： Mean Shift 算法假設特征直方圖足夠確定目標的位置，并且足夠穩(wěn)健，對其他運動不敏感。該方法可以避免目標形狀、外觀或運動的復雜建模，建立相似度的統(tǒng)計測量和連續(xù)優(yōu)化之間的聯(lián)系。但是，Mean Shift 算法不能用于旋轉和尺度運動的估計。為克服以上問題，人們提出了許多改進算法，如多核跟蹤算法、多核協(xié)作跟蹤算法和有效的最優(yōu)核平移算法等。 多特征融合跟蹤 ? 基本思想：利用多特征刻畫目標是一種非常有效的實現(xiàn)穩(wěn)健跟蹤的方法。不同的特征可以從相同的或者不同的傳感器獲得，如彩色和輪廓，彩色和梯度， HaarLike 特征和邊緣，角點、彩色和輪廓，彩色和邊緣，彩色和 WiFi三角化等。 ? 在貝葉斯框架下，有兩種方法可以集成多個特征：1） 假設特征之間是統(tǒng)計獨立的，可以將多個特征以加權和的形式組合起來； 2） 假設多個特征之間的條件關聯(lián)服從線性約束， 可以將相似度概率密度分布表示為各個特征相似度概率密度分布的線性組合； Towards robust multicue integration for visual tracking ? 基于強大的多線索融合技術的目標跟蹤 ? Perceptual Computing and Computer Vision Group, ETH Zurich, Switzerland ? Machine Vision and Applications (2023) 14 一般的系統(tǒng)框架 ? 目標：用多維的時間序列表示，本文中，用90*72的 M維時間序列表示目標。 ? 單一線索觀察模型：在時間上排序，估計目標在單一線索下 n維狀態(tài)向量產生的視覺線索的概率圖序列，每個空間矢量是到 n維概率分布 P(j)的預測。 例如：如果要估計目標在二維空間的運動。 M(j)表示映射， r(j)表示映射參數(shù) 多線索融合模型 ? 模型建立 ? 模型估計 ? 引入反饋 調整參數(shù) rc(t)和 rj(t) Democratic integration ? 算法思想：對五個線索建立一個共同估計，這個估計用來評定每個線索，并確定下一時刻該線索的權值。同時每個線索都有自適應性，提高其性能，從而提高整個系統(tǒng)的性能。但是必須滿足兩個
教學課件相關推薦
鄂ICP備17016276號-1