连续跟踪状态下基于可分性特征的目标优化分类
Journal of Computer Applications（2014）
摘要
针对拥塞复杂监控场景中目标的准确分类问题,提出了一种连续跟踪状态下基于可分性特征的目标优化分类方法.首先对整个场景中所有目标提取简单的颜色、形状和位置特征建立初始目标匹配,利用目标的运动方向及速率预测下帧中优先搜索区域以提高目标匹配效率,减少运算量,并对未建立对应关系的遮挡目标采用外观特征模型进行再匹配.为了提高目标分类的准确率,系统利用连续跟踪状态下目标特征的不间断提取和匹配,根据匹配最大概率决定最优分类结果.通过多种场景的实验结果表明,该方法的分类准确度比未利用连续跟踪信息的方案获得了更好分类准确度,平均达到了97％,有效改善了复杂场景中目标分类精度.
更多AI 理解论文
溯源树
样例
生成溯源树，研究论文发展脉络
Chat Paper
正在生成论文摘要