基于霍夫蕨的实时对象跟踪方法

基于霍夫变换方法难以在保持高检测精度的同时满足跟踪的实时性,且难以适应初始训练样例十分有限的情况,为解决上述问题,提出一种基于霍夫蕨的对象跟踪方法.该方法以随机蕨作为基础检测结构,将对象的局部表观作为学习数据,在其每个叶节点中计算并保存霍夫空间中属于目标对象的投票概率,在运行时通过在线学习该检测器和对象模型,适应对象表观的变化.结合对TLD跟踪框架的改进,实现了无约束环境下长时间的可视跟踪.在Babenko视频序列集上的实验结果表明,提出的对象跟踪方法在普通PC上的平均运行速率为3帧/s,平均准确率为87.1%,总体上优于现有的跟踪方法.