tld目標跟蹤算法(文件)
【正文】 算法 和傳統(tǒng)的 檢測算法 相 結合，來 解決被跟蹤目標在被跟蹤過程中發(fā)生的 形變、部分 遮擋、消失等 問題 。 ? 同時，通過一種改進的 在線學習機制 不斷 更新檢測 模塊的 目標模型 及 相關參數 ，從而使得跟蹤效果更加穩(wěn)定、魯棒、可靠。 ? 檢測 模塊 假設 每一個視幀都是彼此 獨立的 ，并且根據以往檢測和學習到的目標模型，對每一幀圖片 進行 全局搜索 以定位目標可能出現(xiàn)的區(qū)域 。它 針對檢測器對樣本分類時產生的兩種錯誤提供了兩種“ 專家 ”進行糾正： PN學習 的 主要 思想： 檢測器 的錯誤能夠被兩種類型的專家（ Pexperts和 Nexperts）標識出。 c）中每個視頻幀中，目標只可能出現(xiàn)在一個區(qū)域，并且，相鄰視頻幀之間檢測到的目標區(qū)域是 連續(xù)的 ，構成了一個目標的運動軌跡。 PN experts 的設計： Pexperts尋找視頻序列中的 時域上 的結構性特征，并且假設目標是沿著軌跡線移動 的。 Nexperts對 檢測模塊在當前幀中的所有輸出結果以及 跟蹤模塊 的輸出結果進行分析，并找到 置信度最高 的結果。 ? 在 第 t+1幀 的過程 與之類似。 方框由它的 位置 和 尺度 來決定，有 固定 的 長寬比。 ? ?1 2 1 2, , ..., , , , ...,mmM p p p p p p? ? ? ? ? ??任意給定一個 圖像片 P和 目標模型 M，我們定義幾個量化指標： ① 正 樣本最近鄰 相似度 ② 負樣本最近鄰 相似度 ③ 前 50%正樣本的正最近鄰 相似度 ④ 相對 相似度 ⑤ 保守 相似度 ? ? ? ?, m a x ,i ipMS p M S p p??? ??? ? ? ?, a x ,i iS p S p p??? ??? ? ? ?50%2, m a x ,i mip M iS p M S p p? ? ? ??r SS SS???? ? 50%50%c S?? ? (3)目標模型 是一個代表迄今為止觀測到的 被檢測目標 及其 周圍背景 的數據結構，它是一系列 正樣本 和 負樣本 的集合 Tracker 帶有 失敗 檢測 （ Failure detection）的 中值流 （ MedianFlow ）跟蹤 算法，定義 FB誤差（ forwardbackward error）： ? 從時間 t的初始位置 x(t)開始追蹤產生時間 t+p的位置 x(t+p)； ? 再 從位置 x(t+p)反向追蹤產生時間 t的預測位置 x`(t)； ? 初始位置 x(t)和 預測 位置 x`(t)之間 的歐氏距離就作為追蹤器在 t時間的 FB誤差 。 參考文獻： Z. Kalal, K. Mikolajczyk, and J. Matas, “ForwardBackward Error: Automatic Detection of Tracking Failures,” International Conference on Pattern Recognition, 2023, pp. 2326. 讓 表示 其中某一個點的移動 位移， 表示 位移中值，則殘差可定義 為 。在 初始跟蹤框 的基礎上，掃描窗口的參
教學課件相關推薦
鄂ICP備17016276號-1