结合方向纹理熵的Haar-like特征在线boosting跟踪算法

摘要

Large numbers of features are needed for tracking based on the conventional Haar-like feature based on-line boosting (HBT). The vast amount guarantees the existence of useful features. But it leads to expensive computing and memory requirements. To addres%针对传统基于Haar-like特征的on-line boosting跟踪算法（HBT）需要产生大规模随机特征、占用大量计算资源和存储空间的缺点，提出结合方向纹理熵的Haar-like特征在线boosting跟踪算法（HBTT）。HBTT算法利用灰度共生矩阵的熵获得目标纹理的方向信息，在此基础上有针对性地产生具有方向纹理信息的Haar-like特征，从而可有效避免无效随机特征的产生，减小特征池容量；更进一步，可根据目标纹理的复杂程度自动调整特征数量，使得算法更灵活。在跟踪过程中，在线学习模块可以使错误率较高