针对多目标跟踪算法中经常会面临的各种挑战, 如相机的突然运动、遮挡、误检和外观相似等情况, 提出一种基于核相关滤波(KCF)的分步关联框架。首先, 该算法采用基于卷积神经网络的目标检测器检测目标, 获得准确的检测结果。然后, 为了更好地预测目标的运动状态, 通过加权融合三种特征的跟踪结果, 为每个目标建立一个基于KCF算法的快速跟踪器。此外, 为了有效地降低碎片化轨迹的数量, 该算法通过跟踪片的置信度分步关联轨迹, 并在遮挡的情况下, 利用在线随机蕨重新检测目标。最后利用关联成功的检测信息自适应更新KCF算法中的尺度。实验结果表明, 与现有算法相比, 所提算法能够在各种复杂的条件下, 表现出强大和高效的跟踪性能。
2021-09-19 09:05:20
7.46MB
1
具有对角带宽矩阵的快速准确的最先进的双变量核密度估计器。 核被假定为高斯核。 两个带宽参数都是经过优化选择的使用/假设数据的参数模型或任何“经验法则”。 与许多其他程序不同，这个程序在估计具有广泛分离模式的多模态密度时不会出现准确性故障（参见示例）。 输入： data - 具有连续数据的 N x 2 数组n - 计算密度的 n x n 网格的大小n 必须是 2 的幂，否则 n=2^ceil(log2(n)); 默认值为 2^8； MIN_XY,MAX_XY - 计算密度的边界框的限制； 格式是： MIN_XY=[lower_Xlim,lower_Ylim] MAX_XY=[upper_Xlim,upper_Ylim]。 dafault 限制计算如下： MAX=max(数据,[],1); MIN=min(data,[],1); 范围=最大值-最小值； MAX_XY=MAX+范围/4； MI
2021-09-18 15:19:01
4KB
1
verilog写fft，对128采样点进行定点fft（非fft ip核 蝶形运算
2021-09-16 08:37:55
24.29MB
1