自适应分块优化的目标跟踪算法

为解决复杂环境下光照、遮挡等问题对目标跟踪算法的影响,提出基于自适应分块与异步更新的目标跟踪算法。构建光照不敏感特征和超像素自适应分块,通过双约束对分场中具有高置信度的子块进行自适应提取并用于目标跟踪,提高跟踪的精确性,避免全局搜索对运算效率的影响;通过自适应检测和异步更新特征子块,进一步提高算法效率和对背景的抗干扰能力。实验结果表明,与KCF、DSST等已知文献中的算法相比,文中算法具有更优的跟踪准确率,以及对遮挡、光照变化等复杂场景干扰的鲁棒性,验证了算法的有效性。

基于分块提取与异步更新的目标跟踪算法

为解决复杂环境下跟踪算法面临的光照变化、遮挡及相似干扰等问题,提出了基于多模型融合的自适应分块鲁棒目标跟踪算法,算法基于局部敏感直方图构建光照不敏感特征,基于超像素分割对采集图像进行自适应分块,以充分发挥子块的特征一致优势;通过相对熵和均值聚类构建双权值约束,以自适应提取高置信度子块进行目标跟踪,从而避免全局搜索并提高跟踪的精确性和实时性;算法通过遮挡检测和子块异步更新,进一步提高算法的运行效率和鲁棒性,提高模型对背景信息的过滤能力。实验结果表明,与其他跟踪方法相比,在包括遮挡、光照变化、相似目标和背景干扰等复杂场景下,该算法具有更优的跟踪精度和跟踪正确率,以及对不同场景的适应性和鲁棒性。