目標跟蹤初步了解

2022-06-08 08:45:08 字數 1775 閱讀 1695

3個矩陣:

狀態轉移矩陣f: f * x_previous[x,y,h,w,vx,vy,vh,vw] = x_current[x,y,h,w,vx,vy,vh,vw],在卡爾曼濾波模型中認為目標是勻速的!

雜訊矩陣

測量矩陣

找出當前幀的某個目標,是否與前一幀的某個目標(而這個前一幀的目標並不是從前一幀取,而是用卡爾曼濾波等**得到的前一幀目標在當前幀的位置)相同。

( 位置距離 + 特徵距離 = 是同一目標衡量)

#本質上是匹配模型,但是多目標的全域性匹配,被匹配的物件是運動**到的上一幀目標在當前幀時刻的所有目標(位置) 及 檢測到的當前幀所有目標(位置)

解決的是基於代價的分配問題.那麼只需要將目標間的距離作為代價,來分配id

person_c1 person_c2 person_c3

person_p1 d11 d12 d13

person_p2 d21 d22 d23

person_p3 d31 d32 d33

最終設定乙個d閾值,如果最終分配的路徑結果中,比如為d11 d22 d33,但是d11>d_thresh則,認為當前幀的person_c1是沒有分配成功的目標,認為其為新增目標,分配新增id!!!

因此先用卡爾曼濾波或光流法對將上一幀目標更新到當前幀,然後用這些與當前幀的新的檢測detections進行匈牙利匹配,來確定是直接分配前幀已有id還是新增id.

結果:有些前幀的id與當前幀的detections匹配上了,有些沒匹配可能導致前幀的id在當前幀沒了(跟丟),也可能導致當前幀的detections沒有匹配(新增id))

現在主流的跟蹤基於檢測的,tracking by detecting

目標跟蹤更多考慮的是對目標的表達,跟蹤過程中對目標表示的更新,跟蹤中對周圍環境變化資訊、對時空資訊的利用等等;

跟蹤的難點在於關聯和狀態估計(位置/速度/旋轉)

正因如此,跟蹤任務才即可被看作是生成式任務,也可以被看作為判別式任務,既可以通過深度學習的方法來暴力解決,也可以通過傳統統計學、機器學習的方法來解決優化。

基於顏色特徵

基於相關濾波

基於深度學習

多目標跟蹤準確率 = 1-(所有幀中未正確跟蹤的目標數/所有幀中包含的目標數)

最大是1, 最小是-infinity;越小模型越不准!

跟蹤不需要識別,但是現在主流的跟蹤都是基於檢測的跟蹤幀間差分

背景差分

光流法卡爾曼濾波

均值飄移

相關濾波(上個時代的巔峰)

深度學習:基於siamfc系列發展

模板匹配法:魯棒性差(13年**,傳統方法)

狀態空間法:(概率轉移法):通過將系列動作構建狀態圖,然後通過某種概率將這些狀態節點的依存關係聯絡起來

動態貝葉斯網路

隱馬科夫模型

圖卷積

track by detect

demo結果可見明顯的問題:(why)

當兩個目標靠的較勁有overlap,id會被影響,賦予最新的id(作為新目標出現)

目標即使沒有靠的近,也會發生跟丟,進而分配最新的id的情況

處理問題1中的短時間遮擋導致的id交叉:

且對檢測的每一幀都用乙個小型的reid網路來記錄特徵資訊,如果同時滿足兩種資訊則不會賦予新的id

初步了解目標檢測

2.目標框 目標檢測,這就好比我們的行李箱過安檢,安全員通過掃瞄的對行李箱內的物品進行檢查,什麼東西可以通過,什麼又不能通過,而這一前提是安全員知道什麼行李裡面 有什麼物品,它們又是否是安全和非安全物品,並在檢查中識別出來。目標檢測是物品分類識別的進一步應用。物體分類的任務中,我們只需要對物品進行特...

初步了解可重定位目標檔案

首先,我們先來了解一下什麼是可重定位目標檔案,如圖 我們看到,原始檔經過翻譯器處理後形成的 o 檔案 就是可重定位目標檔案。目標檔案總共有三種 共享目標檔案 可執行目標檔案 可重定位目標檔案。其中,可重定位目標檔案包含二進位制資料和 可以在編譯時和其它可重定位目標檔案合併起來,建立乙個可執行目標檔案...

目標跟蹤小結

一 引言 在需要監控的環境裡,如何能夠判斷出進入特定區域的目標,並且能夠跟蹤目標的軌跡。分為兩種情況 一是靜態背景下的目標跟蹤 二是動態背景下的目標跟蹤。二 靜態背景下的目標跟蹤方法 2 多目標 靜態環境下的多目標跟蹤,需要確定每個目標的特徵,位置,運動方向,速度等資訊。3 預處理 由於獲得的影象總...