《表3 各影响因素下的算法性能》
尺度搜索法有效解决了车辆目标运动过程中尺度变化造成的模型漂移问题,而自适应加权的模板更新方式在适应车辆外观变化的同时,进一步提高了相关滤波模板的准确性。为综合评估本文算法对车辆跟踪过程中各类影响因素的稳健性,将各算法分别在SV、IV、BC、MB、LR影响因素下的车辆运动视频中进行性能比较,实验结果表3所示。由表3可知,对于跟踪过程中具有SV的车辆目标,本文算法的定位精度与成功率最高,相比于第二位的算法分别提高了8.31%与4.88%。对于IV、BC、MB影响因素下的跟踪过程,本文算法均具有最优的跟踪性能。在LR情况下,本文算法的跟踪成功率虽略低于SAMF,但定位精度却提高了8.81%。
图表编号 | XD003394300 严禁用于非法目的 |
---|---|
绘制时间 | 2019.11.25 |
作者 | 范永昆、张正道、彭力 |
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、江南大学物联网工程学院 |
更多格式 | 高清、无水印(增值服务) |