2. 程式人生 > >TLD目標跟蹤演算法學習（三）程式碼理解

TLD目標跟蹤演算法學習（三）程式碼理解

阿新 • • 發佈：2019-01-30
（2）利用金字塔LK光流法跟蹤這些特徵點，並預測當前幀的特徵點（見下面的解釋）、計算FB error和匹配相似度sim，然後篩選出 FB_error[i] <= median(FB_error) 和 sim_error[i] > median(sim_error) 的特徵點（捨棄跟蹤結果不好的特徵點），剩下的是不到50%的特徵點：
　　tracker.trackf2f(img1, img2, points, points2);

（3）利用剩下的這不到一半的跟蹤點輸入來預測bounding box在當前幀的位置和大小 tbb：
　　bbPredict(points, points2, lastbox, tbb);

（4）跟蹤失敗檢測：如果FB error的中值大於10個畫素（經驗值），或者預測到的當前box的位置移出影象，則認為跟蹤錯誤，此時不返回bounding box：
　　if (tracker.getFB()>10 || tbb.x>img2.cols ||  tbb.y>img2.rows || tbb.br().x < 1 || tbb.br().y <1)

（5）歸一化img2(bb)對應的patch的size（放縮至patch_size = 15*15），存入pattern：
　　getPattern(img2(bb),pattern,mean,stdev);

（6）計算影象片pattern到線上模型M的保守相似度：
　　classifier.NNConf(pattern,isin,dummy,tconf);

（7）如果保守相似度大於閾值，則評估本次跟蹤有效，否則跟蹤無效：
　　if (tconf>classifier.thr_nn_valid) tvalid =true;

6.1.2、TLD跟蹤模組的實現原理和trackf2f函式的實現：
　　TLD跟蹤模組的實現是利用了Media Flow 中值光流跟蹤和跟蹤錯誤檢測演算法的結合。中值流跟蹤方法是基於Forward-Backward Error和NNC的。原理很簡單：從t時刻的影象的A點，跟蹤到t+1時刻的影象B點；然後倒回來，從t+1時刻的影象的B點往回跟蹤，假如跟蹤到t時刻的影象的C點，這樣就產生了前向和後向兩個軌跡，比較t時刻中 A點和C點的距離，如果距離小於一個閾值，那麼就認為前向跟蹤是正確的；這個距離就是FB_error；
　　bool LKTracker::trackf2f(const Mat& img1, const Mat& img2, vector<Point2f> &points1, vector<cv::Point2f> &points2)
函式實現過程如下：
（1）先利用金字塔LK光流法跟蹤預測前向軌跡：
　　calcOpticalFlowPyrLK( img1,img2, points1, points2, status, similarity, window_size, level, term_criteria, lambda, 0);

（2）再往回跟蹤，產生後向軌跡：
　　calcOpticalFlowPyrLK( img2,img1, points2, pointsFB, FB_status,FB_error, window_size, level, term_criteria, lambda, 0);

（3）然後計算 FB-error：前向與 後向 軌跡的誤差：
　　for( int i= 0; i<points1.size(); ++i )
        FB_error[i] = norm(pointsFB[i]-points1[i]);     

（4）再從前一幀和當前幀影象中（以每個特徵點為中心）使用亞象素精度提取10x10象素矩形（使用函式getRectSubPix得到），匹配前一幀和當前幀中提取的10x10象素矩形，得到匹配後的對映影象（呼叫matchTemplate），得到每一個點的NCC相關係數（也就是相似度大小）。
　　normCrossCorrelation(img1, img2, points1, points2);

（5）然後篩選出 FB_error[i] <= median(FB_error) 和 sim_error[i] > median(sim_error) 的特徵點（捨棄跟蹤結果不好的特徵點），剩下的是不到50%的特徵點；
　　filterPts(points1, points2);

相關推薦

TLD目標跟蹤演算法學習（三）程式碼理解

（2）利用金字塔LK光流法跟蹤這些特徵點，並預測當前幀的特徵點（見下面的解釋）、計算FB error和匹配相似度sim，然後篩選出 FB_error[i] <= median(FB_error) 和 sim_error[i] > median(sim_error) 的特徵點（捨棄跟蹤結果不好的特徵

TLD目標跟蹤演算法學習（二）

　　正如名字所示，TLD演算法主要由三個模組構成：追蹤器（tracker），檢測器（detector）和機器學習（learning）。 　　對於視訊追蹤來說，常用的方法有兩種，一是使用追蹤器根據物體在上一幀的位置預測它在下一幀的位置，但這樣會積累誤差，而且一旦物體在影象中

目標跟蹤演算法小結（三）

相關濾波演算法 DSST DSST提出了基於3維尺度空間相關濾波器translation-scale的聯合跟蹤方式，利用兩個濾波器位置濾波器(translation filter)和尺度濾波器(scale filter)依次進行目標定位和尺度評估，兩個濾波

基於深度學習的目標檢測演算法綜述（三）（截止20180821）

參考：https://zhuanlan.zhihu.com/p/40102001 基於深度學習的目標檢測演算法綜述分為三部分： 1. Two/One stage演算法改進。這部分將主要總結在two/one stage經典網路上改進的系列論文，包括Faster R-CNN、YOLO、SSD等經

基於深度學習的目標檢測演算法綜述（三）

轉自：https://zhuanlan.zhihu.com/p/40102001 基於深度學習的目標檢測演算法綜述（一） 基於深度學習的目標檢測演算法綜述（二） 基於深度學習的目標檢測演算法綜述（三） 本文內容原創，作者：美圖雲視覺技術部 檢測團隊，轉載請註明出處  

CamShift 目標跟蹤演算法研究（轉）

CamShift演算法：    CamShift演算法，即"Continuously Apative Mean-Shift"演算法，是一種運動跟蹤演算法。它主要通過視訊影象中運動物體的顏色資訊來達到跟蹤的目的。    我把這個演算法分解成三個部分，便於理解：    1)

Tensorflow機器學習（三） 程式碼實現反捲積過程（de-convolution/convolution transpose）

卷積神經網路是深度學習中一個很流行的網路模型， 它的原理和過程我就不在此介紹了，感興趣的可以去看一下https://blog.csdn.net/kane7csdn/article/details/83617086。 在這裡，介紹一下反捲積過程（可以叫做deconvolution，或者也可

C#中的深度學習（三）：理解神經網路結構

在這篇文章中，我們將回顧監督機器學習的基礎知識，以及訓練和驗證階段包括哪些內容。 在這裡，我們將為不瞭解AI的讀者介紹機器學習(ML)的基礎知識，並且我們將描述在監督機器學習模型中的訓練和驗證步驟。 ML是AI的一個分支，它試圖通過歸納一組示例而不是接收顯式指令來讓機器找出如何執行任務。ML有三種正規化:監督

TLD目標跟蹤演算法詳解（二）學習器Learning （跟蹤器與檢測器的協調與更新）

       原文連結：http://blog.csdn.net/wood_water/article/details/9023151      在上一篇跟蹤器與檢測器（tracker and detector）中，我們已經詳細介紹了TLD中跟蹤器與檢測器的設計方案，而在具體

深度學習（三）——tiny YOLO演算法實現實時目標檢測（tensorflow實現）

一、背景介紹 YOLO演算法全稱You Only Look Once，是Joseph Redmon等人於15年3月發表的一篇文章。本實驗目標為實現YOLO演算法，借鑑了一部分材料，最終實現了輕量級的簡化版YOLO——tiny YOLO，其優勢在於實現簡單，目標檢測迅速。 [1]文章連結：ht

基於深度學習的目標檢測演算法綜述（一）（截止20180821）

參考：https://zhuanlan.zhihu.com/p/40047760 目標檢測（Object Detection）是計算機視覺領域的基本任務之一，學術界已有將近二十年的研究歷史。近些年隨著深度學習技術的火熱發展，目標檢測演算法也從基於手工特徵的傳統演算法轉向了基於深度神經網路的檢測技

基於深度學習的目標檢測演算法綜述（二）（截止20180821）

參考：https://zhuanlan.zhihu.com/p/40020809 基於深度學習的目標檢測演算法綜述分為三部分： 1. Two/One stage演算法改進。這部分將主要總結在two/one stage經典網路上改進的系列論文，包括Faster R-CNN、YOLO、SSD等經

演算法工程師修仙之路：吳恩達機器學習（三）

吳恩達機器學習筆記及作業程式碼實現中文版 第三章 多變數線性迴歸 多維特徵 現在我們對房價模型增加更多的特徵，例如房間數樓層等，構成一個含有多個變數的模型，模型中的特徵為

基於深度學習的目標檢測演算法綜述（一）

前言 目標檢測（Object Detection）是計算機視覺領域的基本任務之一，學術界已有將近二十年的研究歷史。近些年隨著深度學習技術的火熱發展，目標檢測演算法也從基於手工特徵的傳統演算法轉向了基於深度神經網路的檢測技術。從最初2013年提出的R-CNN、OverFeat

基於深度學習的目標檢測演算法綜述（二）

前言 基於深度學習的目標檢測演算法綜述分為三部分： 1. Two/One stage演算法改進。這部分將主要總結在two/one stage經典網路上改進的系列論文，包括Faster R-CNN、YOLO、SSD等經典論文的升級版本。 2. 解決方案。這部分論文對物體檢

資料結構與演算法——從零開始學習（三）棧和佇列

系列文章 第一章：基礎知識 第二章：線性表 第三章：棧和佇列   第一節：棧（Stack） 是限制在表一端進行插入和刪除操作的線性表。允許進行插入、刪除操作的這一端稱為棧頂（Top），另一個固定端稱為棧底。例如棧中有三個元素，近棧的順序是a1、a2、a3，當

機器學習演算法總結（三）

1、決策樹 決策樹是通過一系列規則對資料進行分類的過程。它提供一種在什麼條件下會得到什麼值的類似規則的方法。決策樹分為分類樹和迴歸樹兩種，分類樹對離散變數做決策樹，迴歸樹對連續變數做決策樹。 1.2 決策樹的學習過程 一棵決策樹的生成過程主要分為以下3個部

MATLAB R2018a 全域性優化工具箱學習（三）粒子群演算法

MATLAB R2018a全域性優化工具箱學習（三）粒子群演算法   粒子群演算法是無導數的一種演算法.PSO從這種模型中得到啟示並用於解決優化問題。在粒子群演算法中，每個優化問題的潛在解都是搜尋空間中的一隻鳥，稱之為粒子。所有的粒子都有一個由被優化的函式決定的適值（適應值），每個粒子

基於深度學習的目標檢測演算法綜述（二）—Two/One stage演算法改進之R-FCN

基於深度學習的目標檢測演算法綜述（一）：https://blog.csdn.net/weixin_36835368/article/details/82687919 目錄 1、Two stage 1.1 R-FCN：Object Detection via Region-based

機器學習（三）——Apriori演算法進行關聯分析

一. 關聯分析 關聯分析是一種在大規模資料集上尋找有趣關係的任務。這些關係可以有兩種形式：頻繁項集與關聯規則。頻繁項集是經常出現在一塊的物品的集合；關聯規則暗示兩種物品之間可能存在很強的關係。如何量化的評價頻繁項集和關聯規則呢？由此引出了支援度（support）和置信度（confidence）。