tld目標(biāo)跟蹤算法-閱讀頁
2025-02-28 05:42本頁面
【正文】 是目標(biāo)是 可見的 ，所以當(dāng)目標(biāo)完全被 遮擋 或者 消失 于視野，則不可避免地出現(xiàn) 跟蹤失敗 。 如果殘差大于 10個像素，那么就認(rèn)為跟蹤失敗。 mdid imdd? Detection 檢測器 通過一個 掃描窗口 來掃描輸入圖像，然后判斷出每一個圖像 塊是否含有目標(biāo) 。 如此， 對于 QVGA 圖片（ 240*320）來說會產(chǎn)生約 5萬個 掃描 方框，具體數(shù)字取決于初始框的長寬比。 檢測模塊使用 級聯(lián)分類器 （ Cascsded classifier）來判斷輸入的圖像塊中是否 還有目標(biāo)，劃分為 三個模塊 ： 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通過級聯(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： ? ? ? ?22E p E p? 一般而言，這一步會淘汰 超過 50%的 非目標(biāo)圖像塊 （比如，天空，街道等等）。 集成分類器由 n (n = 10)個 獨立的 基本分類器 組成 ， 每個基本 分類器對圖像塊進(jìn)行 m (m = 10)組 像素比較 （ pixel parisons），并產(chǎn)生一個 二進(jìn)制編碼 x。 集成分類器由 10棵樹 組成，每棵樹有 13層 ，圖像塊經(jīng)過每棵樹都會產(chǎn)生一個 13位的二進(jìn)制編碼。 ?生成像素比較對 ? 先用一個 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個分類器，每個分類器得到不同的pixel parisons(特征集合 ，包含13組像素對） 。 ? 像素比較對 的坐標(biāo) 離線、隨機(jī) 生成，并在運行過程中保持固定。 ? 綜合 器先對檢測器的結(jié)果進(jìn)行 聚類 ，然后 根據(jù)檢測器聚類結(jié)果和跟蹤器跟蹤結(jié)果的 置信 度 (confidence)， 對兩者進(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 。 Learning ? 初始化 學(xué)習(xí) 模塊的任務(wù)是在第一幀中 初始化 檢測器，并且在運行過程中使用 PN expert 和 the Nexpert更新 檢測器 。 1%范圍的偏移， 177。 10%范圍的平面內(nèi)旋轉(zhuǎn)，并且在每個像素上增加方差為 5的高斯 噪聲 ), 那么 10個 box將產(chǎn)生 200個 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 ，初始化后驗概率。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 。 ? Nexpert Nexpert 生成負(fù)訓(xùn)練樣本。 TrackingLearningDetection 演講完畢，謝謝觀看！
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1