English
资源说明：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的特征被结合了目标纹理方向信息的Haar-like特征所替换。与HBT算法比较，HBTT算法的跟踪误差降低了10%以上；在相同特征池容量下，置信度提高了2%以上。实验结果表明，该算法不仅具有较高的鲁棒性，而且在跟踪效率和性能上都有所提高。
本源码包内暂不包含可直接显示的源代码文件，请下载源码包。
