LFCM算法作为一种划分式聚类算法,它根据新旧聚类中心之差是否小于设定阈值决定是否停止迭代,但存在聚类准确率偏低的缺陷。熵是信息论中有效度量不确定性的一项指标。为此,文章提出了一种基于迭代信息熵权的改进LFCM算法,该算法将熵权法与LFCM算法进行了有效的融合。算法的改进思路为:(1)输入样本结合隶属度函数,求得数据矩阵,根据该数据矩阵求取新的信息熵和权重;(2)目标函数采用权重函数,算法通过判断新旧权重的差值是否小于设定阈值作为停止迭代条件。仿真实验结果表明,基于迭代信息熵权的改进LFCM算法可以有效提高聚类准确率及紧凑率。 针对经典压缩跟踪算法在目标被遮挡时容易导致目标丢失的问题,提出了一种基于目标遮挡情况下的压缩跟踪算法。该方法首先依据分类器的最大响应值判断目标是否被遮挡。若发生遮挡则利用基于颜色直方图特征的粒子滤波算法进行跟踪预测,即将遮挡前提取的目标颜色直方图与粒子的颜色直方图进行相似性比较。压缩跟踪算法-数控滚圆机滚弧机张家港电动折弯机数控滚圆机滚弧机折弯机为确保目标再现时能及时准确地捕捉其位置,再利用Harris角点特征进一步验证,并将预测的位置作为目标位置继续压缩跟踪。本文由公司网站滚圆机网站采集转载中国知网资源整理!www.gunyuanji.name仿真结果表明,该算法能够准确地判断遮挡的发生,平均跟踪成功率较经典的压缩跟踪算法提高了24%,有效提高了跟踪的鲁棒性。筛选出权重较大的粒子。(5)若相似度接近于1，计算捕获的目标与被遮挡前的目标的Harris角点的响应值R之间的误差:γ=∑Lj=1Rj－Rj()'槡2，其中，Rj是捕获的目标的Har-ris角点的响应值，Rj'是被遮挡前的目标的Harris角点的响应值，j=1，2，…，L，L为Harris角点的个数。通过计算此误差验证重新得到的目标位置是否准确，即验证正确跟踪是否恢复;(6)如果γ＜T，这里T取1，则将新的目标位置反馈给压缩跟踪算法，即返回到第(2)步中继续跟踪;否则转到第(4)步。图1目标遮挡情况下的压缩跟踪算法流程图4实验结果及分析为了验证本文算法的有效性和稳定性，将本文算法与压缩跟踪(CT)算法、快速压缩跟踪(FCT)算法、粒子滤波(PF)算法［12］、时空上下文学习跟踪(STC)算法［16］、在线多示例学习跟踪(MIL)算法［17］、在线主动特征选择跟踪(AFS)算法［18］、在线判别特征选择跟踪(ODFS)算法［19］和在线加权多示例学习跟踪(WMIL)算法［20］进行实验仿真比较，实验选取VisualTrackerBenchmark库中19个包含遮挡场景的视频序列进行测试，每个视频在对比研究时保持目标的初始位置和尺寸大小一致。本文实验的计算机配置:处理器为Intel?CoreTMi5，内存为4．0GB，64位Win7操作系统，开发工具为MATLABR2014a软件。为客观评价算法的性能，本文采用跟踪成功率(SuccessRate，SR)、中心位置误差(CenterLocation 压缩跟踪算法-数控滚圆机滚弧机张家港电动折弯机数控滚圆机滚弧机折弯机本文由公司网站滚圆机网站采集转载中国知网资源整理!www.gunyuanji.name