tld目標(biāo)跟蹤算法(ppt34頁(yè))(參考版)
2025-02-20 06:00本頁(yè)面
【正文】 you!演講完畢，謝謝觀看！。TrackingLearningDetectionn Nexpert Nexpert 生成負(fù)訓(xùn)練樣本。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 。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；l 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；l 如 ，初始化后驗(yàn)概率。1 %范圍的偏移， 177。 Learningn 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。l 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 。 最近鄰分類器n后驗(yàn)概率分布l 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。 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)。 集成分類器由 10棵樹(shù) 組成，每棵樹(shù)有 13層 ，圖像塊經(jīng)過(guò)每棵樹(shù)都會(huì)產(chǎn)生一個(gè) 13位的二進(jìn)制編碼。集成分類器由 n (n = 10)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。 檢測(cè)模塊使用 級(jí)聯(lián)分類器 （ Cascsded classifier）來(lái)判斷輸入的圖像塊中是否還有目標(biāo)，劃分為 三個(gè)模塊 ：① 方差分類器（ Patch Variance）② 集成 分類器（ Ensemble Classifier）③ 最近鄰 分類器（ NN Classifier） Detection圖塊 1被方差分類器淘汰圖塊 3通過(guò)級(jí)聯(lián)分類器圖塊 2被集成分類器淘汰 方差分類器 方差分類器淘汰所有 灰度值方差 （ grayvalue variance）小于 初始跟蹤框 內(nèi)圖像塊的 50%的圖像塊， 灰度值方差 可以表示為： 一般而言，這一步會(huì)淘汰 超過(guò) 50%的 非目標(biāo)圖像塊 （比如，天空，街道等等）。 如此，對(duì)于 QVGA 圖片（ 240*320）來(lái)說(shuō)會(huì)產(chǎn)生約 5萬(wàn)個(gè) 掃描方框，具體數(shù)字取決于初始框的長(zhǎng)寬比。 Detection 檢測(cè)器 通過(guò)一個(gè) 掃描窗口 來(lái)掃描輸入圖像，然后判斷出每一個(gè)圖像塊是否含有目標(biāo)。如果殘差大于 10個(gè)像素，那么就認(rèn)為跟蹤失敗。2326.2023,PatternConferenceFailures,”ofAutomatic“Forwa
公司管理相關(guān)推薦
鄂ICP備17016276號(hào)-1