TLD(Tracking-Learning-Detection)算法是一种新颖的单目标长时间视觉跟踪算法,在给定极少的先验知识的情况下,能够迅速地学习目标特征并进行有效的跟踪。TLD算法中跟踪器每次在
序列逆转的数据增强方法在目标跟踪上的研究,刘通,李文生,目前很多基于深度学习的目标跟踪算法都会遇到训练数据不足的问题,导致模型无法学到关于运动物体的有效表征。然而,大部分的深度
先对各种跟踪方法做简单的介绍,然后重点介绍比较常用的Kalman跟踪算法与Meanshift算法,最后给出了一种利用openCv技术实现的目标跟踪方法
为提高目标与背景对比度低、相似物体干扰等复杂环境下目标跟踪的效果,提出将在线学习选择最优颜色特征嵌入跟踪算法中,以改善跟踪的稳定性。以当前时刻目标的区域为目标区域,利用卡尔曼滤波预测目标的下一时刻位置
机动目标跟踪中算法仿真研究,王君,雷育华,针对雷达系统的机动目标跟踪问题,提出了一种交互多模型跟踪算法。文章首先举出一个单目标运动实例,然后借助于Matlab仿真工具,利�
抗遮挡的粒子群优化目标跟踪方法,郭巳秋,许廷发,针对传统粒子群优化算法中惯性权重调节机制的局限性,提出一种改进的粒子群优化算法,并应用到目标跟踪领域。首先,对目标及相应
提升噪声干扰情况下的目标跟踪精度,提出了一种柯西分解改进的无迹[H∞]滤波方法。采用UT变换代替传统的泰勒级数线性近似截断处理,降低近似截断误差,提升处理非线性系统的能力;对目标状态的协方差矩阵均方根
向量排序是彩色形态学应用中的关键问题。针对传统词典序中过度优先第一维向量的不足,提出一种基于α模数的一般词典序方法,能任意调整量化函数,降低排列在先的分量作用。将其应用到彩色图像处理中,与传统的词典序
构建了一个基于图像采集卡的复杂环境下实时运动目标检测与跟踪的实验平台。基于此平台提出并实现了一种改进的运动目标检测算法,它融合了帧间差分法和背景差分法的优点,以适应复杂环境的变化。实验表明,该算法利用
基于多雷达多普勒量测的目标机动检测算法,元向辉,,在目标跟踪中系统中,需要用自适应滤波方法来应对目标的机动。而用自适应滤波方法之前,首先需要用机动检测算法来判断目标是否发