《表3 本文算法在不同数据集中的运行时间》
综上仿真实验结果表明,本文算法在身份转换、轨迹分段处理问题上优于其他算法,这归因于本文采用ILDA外观学习建立和自适应地更新外观模型,能够较好地处理跟踪目标距离较近且被长时间遮挡的情况,不易于产生身份转换;当两个目标距离相近且互相产生遮挡,此时轨迹置信度降低变为不可靠轨迹,在关联不可靠轨迹时,本文加入运动模型,对于两个外观相似的目标其运动特征存在差异,结合运动和外观模型进行相似度比较,有效减少身份转换的问题;在本文全局关联中,对于长时间遮挡后重新出现的跟踪目标,基于它的不可靠运动模型本文算法没有用简单匀速直线运动模型去预测,而是引入轨迹置信度加以判断,当置信度较低,其有效关联范围增大,可以使其关联到偏离相应轨迹较远的目标,能更好地处理因长时间遮挡产生的轨迹分段现象。
图表编号 | XD00141909300 严禁用于非法目的 |
---|---|
绘制时间 | 2020.04.16 |
作者 | 方岚、于凤芹 |
绘制单位 | 江南大学物联网工程学院、江南大学物联网工程学院 |
更多格式 | 高清、无水印(增值服务) |