目标跟踪学习系列八:Struck:Structured Output Tracking with Kernels(2011 ICCV)

本文深入学习了Struck目标跟踪算法,该算法利用非线性SVM提高跟踪精度,并通过输出对象的各种变换选择最佳。文章介绍了其创新点,包括基于overlap的样本标记、高斯核函数的应用和限制支持向量数量等。作者旨在理解高精度跟踪的基本原理,并探讨SVM在计算机视觉中的使用,以期应用于人机交互领域。
摘要由CSDN通过智能技术生成

看来人机交互不是我想象的那么简单的,还是要花很多的功夫来打基础的。于是再来学习Tracking相关的一些文章算法。


在认真的学习了压缩跟踪(CT)以后,确实觉得自己对Tracking有了比较好的了解。但是看了在测试集上面的效果,被欺骗了原来CT的效果在真实的摄像头上面是很差劲的。唯一的优点就是快。


因此,还得回来学习一些其他的精度比较高的方法!这里选择了Struck。是大牛学长推荐的。同时本文使用了非线性的SVM算法,也想顺便的学习一下。


文章代码的位置:http://www.samhare.net/research  表示我还没进去,但是我找

评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值