tld目標(biāo)跟蹤算法-資料下載頁(yè)
2025-02-18 05:42本頁(yè)面
【正文】 個(gè) 獨(dú)立的 基本分類器 組成 ， 每個(gè)基本 分類器對(duì)圖像塊進(jìn)行 m (m = 10)組 像素比較 （ pixel parisons），并產(chǎn)生一個(gè) 二進(jìn)制編碼 x。 每個(gè) 基本分類器為 樹形結(jié)構(gòu) （隨機(jī)蕨分類器），每層的節(jié)點(diǎn)的判斷準(zhǔn)則相同 ，即 ,在圖像 元中任意選取兩點(diǎn) A和 B，比較這兩點(diǎn)的 亮度值 ，若 A的亮度大于 B，則特征值為 1，否則為 0。 集成分類器由 10棵樹 組成，每棵樹有 13層 ，圖像塊經(jīng)過(guò)每棵樹都會(huì)產(chǎn)生一個(gè) 13位的二進(jìn)制編碼。 ... 集成 分類器 輸入 圖像塊 經(jīng)過(guò)所有基本 分類器后，產(chǎn)生 的 10個(gè)后驗(yàn)概率值會(huì) 被 平均 ，集成 分類器把 平均后驗(yàn)概率 大于 是目標(biāo)。 ?生成像素比較對(duì) ? 先用一個(gè) 歸一化（ 15*15） 的 patch去離散化 像素空間，產(chǎn)生所有可能的 垂直和水平 的 pixel parisons； ? 把 這些 pixel parisons隨機(jī)分配 給10個(gè)分類器，每個(gè)分類器得到不同的pixel parisons(特征集合 ，包含13組像素對(duì)） 。 ? 這樣，保證了每個(gè)分類器基于一 組 不同的 特征集合，而且所有的特征統(tǒng)一起來(lái)就可以覆蓋整個(gè) patch了。 ? 像素比較對(duì) 的坐標(biāo) 離線、隨機(jī) 生成，并在運(yùn)行過(guò)程中保持固定。 ?后驗(yàn)概率分布 ?初始化及更新 最近鄰分類器 NNr MpS ??),( Integrator ? 跟蹤 器和檢測(cè)器 獨(dú)立同步 運(yùn)行，各自輸出預(yù)測(cè)到的目標(biāo)框 ，而且 檢測(cè)器的輸出結(jié)果很可能 不唯一 。 ? 綜合 器先對(duì)檢測(cè)器的結(jié)果進(jìn)行 聚類 ，然后 根據(jù)檢測(cè)器聚類結(jié)果和跟蹤器跟蹤結(jié)果的 置信 度 (confidence)， 對(duì)兩者進(jìn)行 加權(quán) 作為跟蹤的最終輸出結(jié)果 ,以 達(dá)到最優(yōu)的跟蹤效果 。 ? 若 跟蹤器和檢測(cè)器都沒有得到目標(biāo)框，則認(rèn)為跟蹤失敗 。 Learning ? 初始化 學(xué)習(xí) 模塊的任務(wù)是在第一幀中 初始化 檢測(cè)器，并且在運(yùn)行過(guò)程中使用 PN expert 和 the Nexpert更新 檢測(cè)器 。 ? 在掃描網(wǎng)格中選擇距離 初始目標(biāo) 框 最近 的 10個(gè)方框； ? 在每個(gè) 方框 的內(nèi)部進(jìn)行 20次幾何變換（ 177。 1%范圍的偏移， 177。 1%范圍的尺度變化， 177。 10%范圍的平面內(nèi)旋轉(zhuǎn)，并且在每個(gè)像素上增加方差為 5的高斯 噪聲 ), 那么 10個(gè) box將產(chǎn)生 200個(gè) 仿射變換 的 方框 ，作為集合分類器的 正樣本 pX； ? 目標(biāo) 框外的其他 圖像塊都是 負(fù)樣本 ，將其中方差大于閾值的圖像塊都加入 集合分類器的 負(fù)樣本 nX； ? 如 ，初始化后驗(yàn)概率。 Learning ? Pexpert Pexpert 根據(jù) 在線模型 評(píng)估跟蹤器結(jié)果的 可靠性 。如果當(dāng)前位置可靠，則生成一組 正樣本 去更新 目標(biāo)模型 和 集合分類器 。生成正樣本的方法與初始化時(shí)類似，但是只生成 100個(gè) 正 樣本。 ? Nexpert Nexpert 生成負(fù)訓(xùn)練樣本。如果 跟蹤器 結(jié)果可靠，那么距離目標(biāo)位置較遠(yuǎn)（重疊度 ）的方框?qū)⒈粯?biāo)注為負(fù)樣本。 TrackingLearningDetection 演講完畢，謝謝觀看！
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號(hào)-1