一种基于扩展Wang-landau蒙特卡罗和KCF的突变运动目标跟踪方法

    公开(公告)号:CN110717930B

    公开(公告)日:2024-02-20

    申请号:CN201910803418.9

    申请日:2019-08-28

    IPC分类号: G06T7/246 G06T7/277 G06T7/73

    摘要: 本发明提供一种基于扩展Wang‑landau蒙特卡罗和KCF的突变运动目标跟踪方法,包括:获取目标图像,并根据所述目标图像的第一帧图像的数据信息对目标的状态参数进行初始化;根据所述目标图像进行初始化网络和初始化扩展Wang‑landau蒙特卡罗方法参数,并在状态空间内根据扩展Wang‑landau蒙特卡罗方法进行预定次数的采样;通过迭代评估,建立可靠的态密度分布,并通过态密度分布进行重要区域提议,确定可能包含目标的重要区域;对重要区域执行KCF方法以确定跟踪目标的位置,并根据跟踪目标的位置截取目标图像块用于下一帧图像的跟踪;重复上述步骤直到最后一帧图像,以获得每一帧图像的跟踪目标的位置。本发明能增大目标状态区域中样本的接受概率,提高样本质量。

    基于平均绝对误差的烟虫数据增强模型训练方法

    公开(公告)号:CN116385852A

    公开(公告)日:2023-07-04

    申请号:CN202310402213.6

    申请日:2023-04-13

    摘要: 本发明公开了一种基于平均绝对误差的烟虫数据增强模型训练方法,结合计算机视觉与深度学习的数据预处理技术,对用来进行烟虫识别的检测模型算法基于特定场景进行改进,将激活函数改为指数线性单元激活函数,极大地避免了梯度消失的问题,保障了算法的稳健性,并将均方误差改为采用重构图像与真实图像的平均绝对误差,有效提高生成图片的多样性。本发明可以生成烟虫数量及位置皆有变化的多样式图片,将有限的图片数据集扩充到足以进行网络训练的数据集,在实现对不同场景下烟虫图像增强的同时,极大地降低了数据采集的成本,并有效提高烟虫识别算法准确性和泛化能力,为提升烟虫识别技术的准确率提供了数据保障与关键技术支持。

    一种基于扩展Wang-landau蒙特卡罗和KCF的突变运动目标跟踪方法

    公开(公告)号:CN110717930A

    公开(公告)日:2020-01-21

    申请号:CN201910803418.9

    申请日:2019-08-28

    IPC分类号: G06T7/246 G06T7/277 G06T7/73

    摘要: 本发明提供一种基于扩展Wang-landau蒙特卡罗和KCF的突变运动目标跟踪方法,包括:获取目标图像,并根据所述目标图像的第一帧图像的数据信息对目标的状态参数进行初始化;根据所述目标图像进行初始化网络和初始化扩展Wang-landau蒙特卡罗方法参数,并在状态空间内根据扩展Wang-landau蒙特卡罗方法进行预定次数的采样;通过迭代评估,建立可靠的态密度分布,并通过态密度分布进行重要区域提议,确定可能包含目标的重要区域;对重要区域执行KCF方法以确定跟踪目标的位置,并根据跟踪目标的位置截取目标图像块用于下一帧图像的跟踪;重复上述步骤直到最后一帧图像,以获得每一帧图像的跟踪目标的位置。本发明能增大目标状态区域中样本的接受概率,提高样本质量。