期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于关键特征点的改进TLD目标跟踪算法研究
被引量:
10
1
作者
秦飞
汪荣贵
+2 位作者
梁启香
张冬梅
李想
《计算机工程与应用》
CSCD
北大核心
2016年第4期181-187,共7页
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跟踪目标上均匀地选取特征点进行跟踪,不能保证每个特征点...
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跟踪目标上均匀地选取特征点进行跟踪,不能保证每个特征点都能够被可靠地跟踪。针对这个问题,提出一种基于关键特征点检测的改进TLD算法,保证所选特征点都能够被正确可靠地跟踪,防止跟踪结果发生漂移,提高了跟踪器的跟踪精度。另一方面,在TLD检测器中引入了基于轨迹连续性的在线位置预测,在保证正确跟踪的前提下,缩小了检测器的检测范围,提高了运算速度。实验结果表明,该算法有较高的跟踪精度和速度。
展开更多
关键词
目标跟踪
TLD算法
关键特征点
在线位置预测
下载PDF
职称材料
基于示例选择的目标跟踪改进算法
被引量:
2
2
作者
李想
汪荣贵
+2 位作者
杨娟
蒋守欢
梁启香
《计算机工程》
CAS
CSCD
北大核心
2015年第1期150-157,共8页
多示例学习是一种处理包分类问题的新型学习模式,传统基于多示例学习的目标跟踪算法在自适应获取正包时受到无益或有害示例的干扰,不能很好地提取目标的鉴别性特征。为此,设计基于核密度估计的示例选择方法,剔除训练集中的无益示例或有...
多示例学习是一种处理包分类问题的新型学习模式,传统基于多示例学习的目标跟踪算法在自适应获取正包时受到无益或有害示例的干扰,不能很好地提取目标的鉴别性特征。为此,设计基于核密度估计的示例选择方法,剔除训练集中的无益示例或有害示例,提高多示例学习算法的有效性,并在此基础上提出一种基于示例选择的目标跟踪改进算法,针对负示例占多数的情况建立核密度估计函数来精简正包中的示例,使用精简后的样本数据进行训练学习,最终实现对目标的实时跟踪。实验结果表明,该算法在光照变化、目标部分遮挡及形体变化等情形下都具有较好的稳健性。
展开更多
关键词
多示例学习
有害示例
核密度估计
示例选择
稳健性
目标跟踪
下载PDF
职称材料
基于约束知识的IP-MCMC-PF目标跟踪方法研究
3
作者
梁启香
汪荣贵
+2 位作者
张冬梅
李想
秦飞
《计算机工程与应用》
CSCD
北大核心
2016年第1期120-126,265,共8页
针对粒子滤波算法在有干扰的目标跟踪中可能出现的粒子多样性减少和精度下降等问题,研究并实现了一种新的基于约束知识的IP-MCMC-PF目标跟踪方法。该方法首先通过约束知识提高粒子预测的准确性,并通过多链并行的IP-MCMC方法提高粒子的...
针对粒子滤波算法在有干扰的目标跟踪中可能出现的粒子多样性减少和精度下降等问题,研究并实现了一种新的基于约束知识的IP-MCMC-PF目标跟踪方法。该方法首先通过约束知识提高粒子预测的准确性,并通过多链并行的IP-MCMC方法提高粒子的多样性,有效地解决粒子退化问题;在此基础上通过PN学习算法在线更新抽样粒子的抽样分布和检测器的训练样本,实现目标跟踪算法的在线学习,有效提高了复杂背景下目标跟踪的准确度和自适应性。实验结果表明,该方法在遮挡、形变、光照变化等多种干扰的情形下都具有很好的跟踪效果。
展开更多
关键词
粒子滤波
约束知识
IP-MCMC抽样
PN学习
下载PDF
职称材料
题名
基于关键特征点的改进TLD目标跟踪算法研究
被引量:
10
1
作者
秦飞
汪荣贵
梁启香
张冬梅
李想
机构
合肥工业大学计算机与信息学院
出处
《计算机工程与应用》
CSCD
北大核心
2016年第4期181-187,共7页
基金
安徽省自然科学基金项目(No.1408085QF117)
中央高校基本科研业务费专项资金资助(No.2012HGCX0001)
国家自然科学基金(No.61075032)
文摘
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跟踪目标上均匀地选取特征点进行跟踪,不能保证每个特征点都能够被可靠地跟踪。针对这个问题,提出一种基于关键特征点检测的改进TLD算法,保证所选特征点都能够被正确可靠地跟踪,防止跟踪结果发生漂移,提高了跟踪器的跟踪精度。另一方面,在TLD检测器中引入了基于轨迹连续性的在线位置预测,在保证正确跟踪的前提下,缩小了检测器的检测范围,提高了运算速度。实验结果表明,该算法有较高的跟踪精度和速度。
关键词
目标跟踪
TLD算法
关键特征点
在线位置预测
Keywords
target tracking
Tracking-Learning-Detection(TLD)
key feature point
online location prediction
分类号
TP391.41 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
基于示例选择的目标跟踪改进算法
被引量:
2
2
作者
李想
汪荣贵
杨娟
蒋守欢
梁启香
机构
合肥工业大学计算机与信息学院
出处
《计算机工程》
CAS
CSCD
北大核心
2015年第1期150-157,共8页
基金
国家自然科学基金资助项目"雾天视频中目标跟踪的视觉计算模型与方法研究"(61075032)
安徽省自然科学基金资助项目(1408085AF117)
文摘
多示例学习是一种处理包分类问题的新型学习模式,传统基于多示例学习的目标跟踪算法在自适应获取正包时受到无益或有害示例的干扰,不能很好地提取目标的鉴别性特征。为此,设计基于核密度估计的示例选择方法,剔除训练集中的无益示例或有害示例,提高多示例学习算法的有效性,并在此基础上提出一种基于示例选择的目标跟踪改进算法,针对负示例占多数的情况建立核密度估计函数来精简正包中的示例,使用精简后的样本数据进行训练学习,最终实现对目标的实时跟踪。实验结果表明,该算法在光照变化、目标部分遮挡及形体变化等情形下都具有较好的稳健性。
关键词
多示例学习
有害示例
核密度估计
示例选择
稳健性
目标跟踪
Keywords
Multiple Instance Learning(MIL)
harmful instance
kernel density estimation
instance selection
robustness
object tracking
分类号
TP181 [自动化与计算机技术—控制理论与控制工程]
下载PDF
职称材料
题名
基于约束知识的IP-MCMC-PF目标跟踪方法研究
3
作者
梁启香
汪荣贵
张冬梅
李想
秦飞
机构
合肥工业大学计算机与信息学院
出处
《计算机工程与应用》
CSCD
北大核心
2016年第1期120-126,265,共8页
基金
国家自然科学基金(No.61075032)
中央高校基本科研业务费专项资金(No.2012HGCX0001)
文摘
针对粒子滤波算法在有干扰的目标跟踪中可能出现的粒子多样性减少和精度下降等问题,研究并实现了一种新的基于约束知识的IP-MCMC-PF目标跟踪方法。该方法首先通过约束知识提高粒子预测的准确性,并通过多链并行的IP-MCMC方法提高粒子的多样性,有效地解决粒子退化问题;在此基础上通过PN学习算法在线更新抽样粒子的抽样分布和检测器的训练样本,实现目标跟踪算法的在线学习,有效提高了复杂背景下目标跟踪的准确度和自适应性。实验结果表明,该方法在遮挡、形变、光照变化等多种干扰的情形下都具有很好的跟踪效果。
关键词
粒子滤波
约束知识
IP-MCMC抽样
PN学习
Keywords
particle filter
constraint knowledge
IP-MCMC sampling
PN learning
分类号
TP391.41 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于关键特征点的改进TLD目标跟踪算法研究
秦飞
汪荣贵
梁启香
张冬梅
李想
《计算机工程与应用》
CSCD
北大核心
2016
10
下载PDF
职称材料
2
基于示例选择的目标跟踪改进算法
李想
汪荣贵
杨娟
蒋守欢
梁启香
《计算机工程》
CAS
CSCD
北大核心
2015
2
下载PDF
职称材料
3
基于约束知识的IP-MCMC-PF目标跟踪方法研究
梁启香
汪荣贵
张冬梅
李想
秦飞
《计算机工程与应用》
CSCD
北大核心
2016
0
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部