tld目標(biāo)跟蹤算法(參考版)
2025-02-20 05:42本頁面
【正文】 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。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。 Learning ? Pexpert Pexpert 根據(jù) 在線模型 評(píng)估跟蹤器結(jié)果的 可靠性 。 1%范圍的尺度變化， 177。 ? 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。 ? 若 跟蹤器和檢測器都沒有得到目標(biāo)框，則認(rèn)為跟蹤失敗 。 ?后驗(yàn)概率分布 ?初始化及更新 最近鄰分類器 NNr MpS ??),( Integrator ? 跟蹤 器和檢測器 獨(dú)立同步 運(yùn)行，各自輸出預(yù)測到的目標(biāo)框 ，而且 檢測器的輸出結(jié)果很可能 不唯一 。 ? 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)一起來就可以覆蓋整個(gè) patch了。 ... 集成 分類器 輸入 圖像塊 經(jīng)過所有基本 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)。 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。 p 0 y x 集成 分類器 經(jīng)過方差分類器之后 未被去除 的圖像塊進(jìn)入 集成分類器。 這是一個(gè)非常巨大的數(shù)字 ，每個(gè)圖像塊的處理必須非常高效。在 初始跟蹤框 的基礎(chǔ)上，掃描窗口的參數(shù)設(shè)置為： ? 縮放比例 的步長 系數(shù)為 ，產(chǎn)生 20種尺度系數(shù) ? 水平步長 是寬度的 10%， 垂直步長 是高度的 10% ? 最小的掃描窗口大小為 20個(gè)像素。這個(gè)策略能夠很穩(wěn)定地就確定出由 劇烈移動(dòng) 或者 遮擋 所造成的跟蹤失敗 。 參考文獻(xiàn)： 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(gè)點(diǎn)的移動(dòng) 位移， 表示 位移中值，則殘差可定義 為 。 ③ 計(jì)算跟蹤點(diǎn)的 FB誤差 ，篩選 出 FB誤差最小的 一半點(diǎn)作為最佳追蹤點(diǎn) 。 ? ?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? ?
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號(hào)-1