一种检测范围自适应的目标跟踪算法

为处理目标的消失重现、形变及环境变化等问题,要求跟踪算法有一定的检测与学习能力.针对全局检测方法因冗余检测而造成检测效率低下的问题,在基于P-N学习的跟踪框架的基础上,提出一种自适应生成检测范围的目标跟踪算法.通过引入卡尔曼滤波器(Kalman filter)对目标位置、尺度以及两者的变化速度进行预估,在检测前根据预估信息自适应生成检测范围,提高检测效率.在公开的Co GD数据集上进行实验,结果证明该算法较原始算法在准确度基本不变的基础上,速度得到显著改善.

一种改进的TLD动态目标跟踪算法

TLD算法是目前一种常用的目标跟踪算法,但当目标存在遮挡以及移动较快时,容易出现跟踪漂移的问题,因此本文提出了一种基于TLD跟踪算法的改进目标跟踪算法。首先,利用Kalman滤波器预估当前帧所要跟踪目标的区域。其次,在检测器中加入马尔可夫模型方向预测器,来预测索要跟踪目标的运动方向。通过实验,证明改进后的TLD算法跟踪精度更高,能够快速准确地进行动态目标进行跟踪。

改进后的TLD视频目标跟踪方法

TLD(tracking-learning-detection)是近期受到广泛关注的一种有效的视频目标跟踪算法。在原始TLD的基础上,对其进行改进,改进包括:在TLD的跟踪器中对其局部跟踪器的布置和局部跟踪器的跟踪成败预测方法进行改进,提高跟踪器的跟踪精度和鲁棒性;在TLD的检测器中引入基于Kalman滤波器的当前帧目标所在区域预估,缩小了检测器的检测范围,提高了检测器处理速度;在TLD的检测器中加入基于马尔可夫模型的方向预测器,增强了检测器对相似目标的辨识能力。通过实验对原始TLD和改进后的TLD进行了比较,实验结果显示改进后的TLD算法较原始TLD算法具备更高的跟踪精度和更快的处理速度,而且增强了对场景中相似目标的辨识能力。