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、目標(biāo)跟蹤作為計算機視覺和數(shù)字圖象處理領(lǐng)域的研究熱點,已取得了很多優(yōu)秀的成果。但是,目標(biāo)的大尺度變化、目標(biāo)動作變化、圖像模糊等仍然屬于目標(biāo)跟蹤的挑戰(zhàn)性問題。影響目標(biāo)跟蹤性能的關(guān)鍵問題之一,即特征提取與表示方法?,F(xiàn)有的絕大多數(shù)目標(biāo)跟蹤算法都基于紋理特征或顏色特征。本文重點研究超像素特征——計算機視覺領(lǐng)域目前最熱門的特征提取算法之一,并改進優(yōu)化了基于超像素特征的目標(biāo)跟蹤方法。
第一,提出了均勻SLIC(simple linear i
2、terative clustering)超像素特征提取算法和均勻隨機SLIC超像素特征提取算法。這兩種方法用以改進超像素在選擇聚類中心時的方法,減少冗余聚類中心,提高聚類中心的利用率和超像素的提取速率,使用均勻隨機的SLIC超像素提取算法,可以根據(jù)需求調(diào)整搜索窗口大小,來達到提高超像素的邊界附著率。大量對比實驗證明,改進后的SLIC超像素可以有效的提高算法的效率,減少內(nèi)存消耗,提高邊界附著率。
第二,提出采用可變窗口跟蹤方法,
3、結(jié)合改進的SLIC超像素特征,提高模糊圖像出現(xiàn)時的跟蹤效果。將尺度信息加入目標(biāo)的觀察模型,使用可變窗口來提取特征。結(jié)合改進的SLIC超像素特征,提高模糊圖像出現(xiàn)時的跟蹤效果。大量實驗證明:①改進后的超像素跟蹤算法可以有效的抵御尺度變化、大幅度形變。②引入改進的SLIC超像素特征后,算法可以有效的跟蹤模糊圖像。
第三,實驗驗證了復(fù)雜場景中,目標(biāo)大尺度變化、動作變化及圖像模糊等情況的跟蹤效果。本算法在結(jié)合了改進的SLIC超像素特征
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(zhǔn)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。
最新文檔
- 基于視頻序列的單-多目標(biāo)跟蹤算法研究.pdf
- 基于航拍視頻的單目標(biāo)跟蹤模擬系統(tǒng).pdf
- 基于視頻的多目標(biāo)跟蹤研究.pdf
- 單攝像機下的視頻目標(biāo)跟蹤算法研究.pdf
- 基于視頻的運動目標(biāo)跟蹤算法研究.pdf
- 基于粒子濾波的視頻目標(biāo)跟蹤研究.pdf
- 基于GPU的視頻多目標(biāo)跟蹤研究.pdf
- 視頻目標(biāo)跟蹤研究.pdf
- 基于外觀模型的單目標(biāo)跟蹤.pdf
- 基于單目視覺的目標(biāo)跟蹤研究.pdf
- 基于李群流形的視頻目標(biāo)跟蹤方法研究.pdf
- 基于視頻的動態(tài)目標(biāo)檢測和跟蹤研究.pdf
- 基于壓縮感知的視頻目標(biāo)跟蹤.pdf
- 基于車載視頻的車輛目標(biāo)跟蹤方法研究.pdf
- 基于視頻圖像的機動目標(biāo)跟蹤算法研究.pdf
- 基于視頻圖像序列的目標(biāo)跟蹤方法研究.pdf
- 基于局部坐標(biāo)編碼的視頻目標(biāo)跟蹤研究.pdf
- 基于Mean Shift的視頻目標(biāo)跟蹤算法研究.pdf
- 基于Meanshift的視頻人體目標(biāo)跟蹤算法研究.pdf
- 基于視頻的目標(biāo)檢測和跟蹤.pdf
評論
0/150
提交評論