支持向量機的目標快速跟蹤算法

　　復雜場景下基于判別式分類器的目標跟蹤通常采用復雜的外觀表示模型以提高跟蹤精度，但影響了算法的實時性。為此，提出一種基于半色調(diào)的二值特征來描述目標的外觀，在此基礎(chǔ)上對結(jié)構(gòu)化輸出支持向量機（SVM）的核函數(shù)進行改進，實現(xiàn)了判別模型的快速更新和判別；同時提出一種基于分塊匹配的判別模型更新策略，保證了跟蹤過程中樣本的可靠性。在Benchmark數(shù)據(jù)集上進行的測試實驗中，與壓縮跟蹤（CT）算法、跟蹤學習檢測（TLD）算法和核化的結(jié)構(gòu)化輸出跟蹤（Struck）算法相比，在跟蹤速度上，該算法分別提高了0.2倍、4.6倍、5.7倍；在跟蹤精度上，當重疊率閾值取0.6時，該算法的成功率達到0. 62，而其他三種算法的成功率均在0.4以下，當位置誤差閾值取10時，該算法的精度為0. 72，而其他三種算法精度均小于0.5。實驗結(jié)果表明該算法在發(fā)生光照變化、尺度變化、嚴重遮擋和突變運動等復雜情況下均具有很好的魯棒性和實時性。