tld目標(biāo)跟蹤算法(編輯修改稿)
2025-03-08 05:42 本頁面
【文章內(nèi)容簡介】 域 上 的結(jié)構(gòu)性特征，并且假設(shè)目標(biāo)在一個(gè)視頻幀中只可能出現(xiàn)在一個(gè)位置。 Nexperts對(duì) 檢測模塊在當(dāng)前幀中的所有輸出結(jié)果以及 跟蹤模塊 的輸出結(jié)果進(jìn)行分析，并找到 置信度最高 的結(jié)果。同 置信度最高 區(qū)域 之間沒有 重疊的圖相片被認(rèn)定 為 負(fù)樣本 。另外，具有最大可能性的那個(gè)區(qū)域，被用于 重新初始化 跟蹤模塊。 PN experts 的產(chǎn)生樣本的例子： ? 目標(biāo)是下面 深色 的車 ? 黑色框 是 檢測器 檢測到的正 樣本 ? 黃色框 是 跟蹤器 產(chǎn)生 的正 樣本 ? 紅星標(biāo)記 的是每一幀最后 的跟蹤結(jié)果 ? 跟蹤器 代表產(chǎn)生正樣本的 P專家 ? 在 第 t幀 ， 檢測器沒有發(fā)現(xiàn)深色車 ， P專家 認(rèn)為 深色 車是 正樣本， N專家 經(jīng)過比較，認(rèn)為深色車的樣本更可信，所以把淺色車輸出為負(fù)樣本 。 ? 在 第 t+1幀 的過程 與之類似。 ? 在 第 t+2幀 時(shí)， P專家 產(chǎn)生了 錯(cuò)誤的結(jié)果 ，但經(jīng)過 N專家 的比較，又把這個(gè)結(jié)果排除了，算法仍然可以追蹤到正確的車輛 。 一、 TLD算法簡介 二、 TLD框架結(jié)構(gòu) 三、 PN 學(xué)習(xí) 四、 TLD算法實(shí)現(xiàn) 主要內(nèi)容 四 、 TLD算法實(shí)現(xiàn) TLD架構(gòu)詳細(xì)的結(jié)構(gòu)圖 (1)在任意時(shí)刻，被跟蹤目標(biāo)都可以用其 狀態(tài)屬性 來 表示。該狀態(tài)屬性可以是一 個(gè) 方框 或一個(gè)指示目標(biāo) 是否可見的 標(biāo)記 。 方框由它的 位置 和 尺度 來決定，有 固定 的 長寬比。兩個(gè) 方框的 空間相似度 由 重疊度 來量化，定義為兩個(gè)方框 交集與并集之比 。 (2)目標(biāo)的外觀 用 圖像片 p來表示，每一個(gè)圖像片都是從跟蹤框內(nèi)部采樣得到的，并 被 重采樣 到一個(gè) 歸一化 的分辨率 （ 15*15像素）。 兩個(gè)圖相框 pi,pj的相似度： ? ? ? ?? ?, , 1i j i jS p p N C C p p?? NCC是一個(gè) 歸一化相關(guān)性系數(shù) 。 ? ?1 2 1 2, , ..., , , , ...,mmM p p p p p p? ? ? ? ? ??任意給定一個(gè) 圖像片 P和 目標(biāo)模型 M，我們定義幾個(gè)量化指標(biāo)： ① 正 樣本最近鄰 相似度 ② 負(fù)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(duì) 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(biāo)模型 是一個(gè)代表迄今為止觀測到的 被檢測目標(biāo) 及其 周圍背景 的數(shù)據(jù)結(jié)構(gòu)，它是一系列 正樣本 和 負(fù)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(shí)間 t的初始位置 x(t)開始追蹤產(chǎn)生時(shí)間 t+p的位置 x(t+p)； ? 再 從位置 x(t+p)反向追蹤產(chǎn)生時(shí)間 t的預(yù)測位置 x`(t)； ? 初始位置
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號(hào)-1