《表1 基于传统特征的跟踪算法在OTB-2013上的成功率、精确度和跟踪速度》
首先把本文算法和一些其他基于传统特征的先进方法进行对比,表1为成功率、精确度、跟踪速度的结果。可以看出,本文算法在平均成功率和阈值精确度方面都比基础算法SRDCF高,这是因为引入了时间一致性的约束。ECO是近年来在各数据集上取得最好成绩的算法之一,其利用高斯混合模型减少了样本的训练维度,但是矩阵的因式分解计算增加了计算复杂度。而本文算法通过ADMM,经过几次迭代就可实现收敛,避免复杂的数学运算,可以达到实时性(大于25frame/s)要求。和BACF相比,均把目标区域和背景区域分割作为样本训练分类器的手段,准确率和精确度都有小幅提高。此外,值得注意的是,本文算法的跟踪速度是基准算法SRDCF的4.4倍。
图表编号 | XD003395500 严禁用于非法目的 |
---|---|
绘制时间 | 2019.11.25 |
作者 | 虞跃洋、史泽林、刘云鹏 |
绘制单位 | 中国科学技术大学信息科学技术学院、中国科学院沈阳自动化研究所、中国科学院机器人与智能制造创新研究院、中国科学院光电信息处理重点实验室、辽宁省图像理解与视觉计算重点实验室、中国科学技术大学信息科学技术学院、中国科学院沈阳自动化研究所、中国科学院机器人与智能制造创新研究院、中国科学院光电信息处理重点实验室、辽宁省图像理解与视觉计算重点实验室、中国科学院沈阳自动化研究所、中国科学院机器人与智能制造创新研究院、中国科学院光电信息处理重点实验室、辽宁省图像理解与视觉计算重点实验室 |
更多格式 | 高清、无水印(增值服务) |