加权间隔结构化支持向量机目标跟踪算法
目的 目标在跟踪过程中,各种因素的干扰使得跟踪结果存在不确定性.因此,将跟踪过程中所提取样本的可靠性融入跟踪模型中,有助于克服低可靠性样本对跟踪算法的影响.为此,基于最近的结构化支持向量机(SSVM)跟踪算法,提出一种包含样本置信度的加权间隔结构化支持向量机跟踪模型(WMSSVM),以增强SSVM跟踪算法性能.方法 首先,基于打分和位置重合率估计样本可靠性;其次,建立WMSSVM模型处理具有不同置信度的跟踪样本训练问题,并采用对偶坐标下降优化算法求解跟踪模型.结果 在包含100个视频的OTB100跟踪数据集上进行测试,提出的WMSSVM跟踪器与基准跟踪器Scale-DLSSVM相比,在精准度和成功率两个指标上分别提高了1%和2%.与最近的跟踪算法相比,提出的方法也表现出更好的性能.结论 本文首次将样本的可靠性融入结构化支持向量机跟踪模型,并提出一种基于加权间隔的结构化支持向量机跟踪模型及其优化求解方法,在包含100个视频序列的跟踪数据集上验证了提出方法的有效性,本文提出的算法能够适应复杂场景下的跟踪任务,并在背景混杂、目标形变、遮挡、运动模糊、目标出界、快速位移等类别的视频中表现出优异的性能.
目标跟踪、结构化支持向量机、样本置信度、判别式分类器
22
TP301.6(计算技术、计算机技术)
西安电子科技大学综合业务网理论及关键技术国家重点实验室开放基金项目ISN17-08
2017-10-16(万方平台首次上网日期,不代表论文的发表时间)
共9页
1261-1269