-
公开(公告)号：CN105184811B
公开(公告)日：2017-02-22
申请号：CN201510270434.8
申请日：2015-05-25
Applicant: 西北工业大学
Abstract: 本发明涉及一种基于结构支持向量机的多尺度目标跟踪方法，利用结构输出支持向量机输出目标的位置估计值，避免了传统分类器对样本标签进行精确估计的需要；通过在线学习的方式更新结构输出支持向量机的参数，实现目标自适应跟踪；采用少量多尺度粒子作为候选样本，克服了传统固定尺度密集采样计算量过大的缺点，并显著提高了方法对目标尺度变化的适应性；提出一种阈值机制来避免支持向量集维数随时间快速无限增长，避免了计算资源的浪费；采用积分图进行Haar-like特征的快速计算，保证了方法的实时性。本发明在复杂背景下有较强鲁棒性，对目标的尺度变化、部分遮挡、旋转、光照变化等有较强适应性，满足实际目标跟踪任务的需要。
-
公开(公告)号：CN105184811A
公开(公告)日：2015-12-23
申请号：CN201510270434.8
申请日：2015-05-25
Applicant: 西北工业大学
IPC: G06T7/20
CPC classification number: G06T2207/10016
Abstract: 本发明涉及一种基于结构支持向量机的多尺度目标跟踪方法，利用结构输出支持向量机输出目标的位置估计值，避免了传统分类器对样本标签进行精确估计的需要；通过在线学习的方式更新结构输出支持向量机的参数，实现目标自适应跟踪；采用少量多尺度粒子作为候选样本，克服了传统固定尺度密集采样计算量过大的缺点，并显著提高了方法对目标尺度变化的适应性；提出一种阈值机制来避免支持向量集维数随时间快速无限增长，避免了计算资源的浪费；采用积分图进行Haar-like特征的快速计算，保证了方法的实时性。本发明在复杂背景下有较强鲁棒性，对目标的尺度变化、部分遮挡、旋转、光照变化等有较强适应性，满足实际目标跟踪任务的需要。
-
公开(公告)号：CN104880708B
公开(公告)日：2017-07-04
申请号：CN201510051642.9
申请日：2015-01-30
Applicant: 西北工业大学
IPC: G01S13/86
Abstract: 本发明涉及一种以多模粒子滤波框架为基础，在粒子状态预测与更新步骤中，依据粒子存在变量进行预测粒子状态集的采样，考虑当前观测值与机动目标状态粒子的关联程度，利用模糊拍卖算法与粒子群优化理论解决观测集与机动目标状态采样粒子集之间的关联问题，并给出机动目标出现与消失的判定准则，实现粒子权值更新；利用序贯重要性采样理论对混合采样粒子集进行重采样，得到包含模型信息和状态信息并能逼近每个机动目标状态后验概率分布的粒子集；考虑粒子存在变量的影响，按照目标模型概率进行粒子状态融合得到机动目标局部状态后验估计值和均方误差；最后，对各传感器局部航迹信息进行加权融合，得到各机动目标的全局状态估计值，实现对机动目标数目及状态变化的准确估计。
-
公开(公告)号：CN104880708A
公开(公告)日：2015-09-02
申请号：CN201510051642.9
申请日：2015-01-30
Applicant: 西北工业大学
IPC: G01S13/86
CPC classification number: G01S13/86
Abstract: 本发明涉及一种以多模粒子滤波框架为基础，在粒子状态预测与更新步骤中，依据粒子存在变量进行预测粒子状态集的采样，考虑当前观测值与机动目标状态粒子的关联程度，利用模糊拍卖算法与粒子群优化理论解决观测集与机动目标状态采样粒子集之间的关联问题，并给出机动目标出现与消失的判定准则，实现粒子权值更新；利用序贯重要性采样理论对混合采样粒子集进行重采样，得到包含模型信息和状态信息并能逼近每个机动目标状态后验概率分布的粒子集；考虑粒子存在变量的影响，按照目标模型概率进行粒子状态融合得到机动目标局部状态后验估计值和均方误差；最后，对各传感器局部航迹信息进行加权融合，得到各机动目标的全局状态估计值，实现对机动目标数目及状态变化的准确估计。
-
-
-
Search Results
4
records
(took 0.016 seconds)
