《表2 不同干扰下不同算法成功率对比实验结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《融合位置估计的自适应尺度相关滤波跟踪》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

相对于CSK、MOSSE＿CA、DCF＿CA、KCF、DCF＿SC跟踪算法，本文方法增加了尺度样本对滤波器的训练，所以算法总体得出的精准率和成功率均优于这些方法．在尺度自适应方面，DSST跟踪算法有33个尺度，但使用两个独立滤波器导致分布最优，并不能保证位置最优．SAMF跟踪算法对目标进行7个尺度计算，得到一个尺度金字塔，找出响应值最大的尺度即为目标．这两种方法都是通过增加尺度样本来适应多尺度变化，表1和表2分别为本文算法与8种经典算法在尺度变化（SV）、低分辨率（LR）、遮挡（OCC）、超出视野（OV）、平面旋转（OR）干扰下精准率和成功率的对比实验结果．通过表1和表2可以看出，尺度变化干扰时SAMF和DSST算法效果优于其他不加尺度样本的跟踪算法．本文方法在增加尺度样本作为训练集时，考虑到多尺度是由目标生成的样本，在进行样本训练时考虑尺度样本对效果影响肯定不如目标样本，即每个尺度样本对结果的影响肯定不一样，所以对每个尺度样本与目标样本计算服从正分布交并比值作为新的权重后，再对样本进行训练，提高了滤波器对多尺度变化的敏感度．由表1、表2可见，本文提出的算法充分体现了优异性能，达到了设计算法的预期效果．图3所示，本文提出的算法在目标尺度变化的情况下，可以较为准确地预测目标的尺度大小并能很好的跟踪目标．这表明本文提出算法在目标尺度变化的情况下的可行性．