尺度自适应特征压缩跟踪

为了对复杂环境中的目标进行长时间精确跟踪,提出一种尺度自适应特征压缩跟踪算法。通过结构约束性采样,获取不同位置不同尺度的扫描窗,离线计算不同尺度下的稀疏随机感知矩阵。在线跟踪时利用这些矩阵感知对应尺度的图像采样块,实现特征降维,提高运算速度。利用朴素贝叶斯分类器对降维特征进行判决,在线学习更新分类器参数,找出具有最高分类得分的采样块及其尺度作为新的跟踪结果,实现跟踪位置及尺度的自适应更新。实验结果表明,该算法能适应目标的基本姿态变化及尺度缩放,不依赖于目标初始跟踪区域尺度选取,跟踪结果具有较强的鲁棒性。

基于压缩特征的尺度自适应目标跟踪算法

在目标跟踪研究领域里,对尺度变化的目标跟踪一直是其中的重点和难点。为了解决这一问题,文中提出了一种基于压缩特征的尺度自适应目标跟踪算法。在线跟踪过程中,用一个满足rip条件的测量矩阵来提取出目标某一帧的压缩特征,并训练贝叶斯分类器。在下一帧中根据这一帧的目标位置采样多个候选窗口,选取分类器分数最大的窗口作为下一帧目标位置。并且,每隔一定帧数将目标分割成4小块,对这4个小块分别跟踪指定帧数并对小块的跟踪结果进行一定处理,来判断指定帧数后的大块目标的尺度变化并实现缩放。实验结果表明,该算法能够适应目标尺度比较明显的缩放,跟踪结果在定性和定量上都比原始的压缩跟踪算法要好。