排序方式： 共有2条查询结果，搜索用时 0 毫秒
1
1.
传统的AdaBoost算法无法有效处理目标的外观变化,并且会因背景杂波的存在而造成分类性能下降。本文提出了一种新的在线AdaBoost特征选择算法进行跟踪,在传统的AdaBoost算法基础上引入了分类器,并同时使用了类Haar小波、方向直方图和局部二值模式三种可计算的特征。首先,通过对当前目标区域分类器进行置信度估计,选出置信度最大的位置;其次,通过三种可计算特征之间的交替使用来保证跟踪的目标始终处在置信度最大的位置。因此,这种算法可以根据背景选择最有识别力的特征来跟踪达到稳定的跟踪效果,本文通过实验验证了该算法在复杂环境中跟踪的适应性和鲁棒性。 相似文献
2.
传统的AdaBoost算法无法有效处理目标的外观变化,并且会因背景杂波的存在而造成分类性能下降。本文提出了一种新的在线AdaBoost特征选择算法进行跟踪,在传统的AdaBoost算法基础上引入了分类器,并同时使用了类Haar小波、方向直方图和局部二值模式三种可计算的特征。首先,通过对当前目标区域分类器进行置信度估计,选出置信度最大的位置;其次,通过三种可计算特征之间的交替使用来保证跟踪的目标始终处在置信度最大的位置。因此,这种算法可以根据背景选择最有识别力的特征来跟踪达到稳定的跟踪效果,本文通过实验验证了该算法在复杂环境中跟踪的适应性和鲁棒性。 相似文献
1