visual tracking 入门理解---by香蕉麦乐迪
2015-11-15 21:49
274 查看
视觉跟踪:对运动目标的跟踪
应用场景:导弹的制导(比如想轰炸某个桥),周界防范;
技术方法:
第一次的理解:参考《视觉跟踪新方法及其应用研究_夏瑜》,不同的作者理解会不一样,有偏差,所以不一定对
1、基于检测的方法
帧差法:两帧之间做差,适用于背景不变,目标运动的情况,鲁棒性不好
背景差分法:建立背景模型,减去背景
运动场估计
2、基于匹配的方法
区域匹配:根据区域的相似度匹配,目标的外形,尺寸,姿态等变化,鲁棒性不好,搜索量大
特征匹配:在区域的基础上,提取出特征表述(比如角点、边界、质心),鲁棒性比区域匹配好;最典型的是均值漂移的方法,mean-shift,建立代价函数表征候选目标与目标模型的代价值,通过求解代价函数,找到目标位置。代价函数利用的特征有:颜色特征等
变形模板:比如对轮廓建立参数模型,将变形定义为能量函数,通过对能量函数的优化实现轮廓匹配,对于部分遮挡的鲁棒性高,计算量小,最大的弱点是初始化轮廓困难
基于模型:利用先验知识,建立比如线图模型,2D模型,3D模型,能够可靠跟踪,但是缺点是建立三维目标需要大量参数,计算量大
3、基于滤波的方法
滤波就是根据目标当前和以前的观测值来估计下一步的最可能状态
4、基于融合的跟踪
多特征的融合
多模型的融合
多算法的融合:比如通过背景差分的方法提取前景目标,再通过匹配的方法跟踪,前景提取后能够极大的减少匹配的计算量,匹配又能够对提取的前景进行后处理,除掉误检的目标
第二次理解:参考《视觉跟踪算法综述_杨戈》
视觉跟踪方法:
1、基于区域的跟踪:首先从视频帧中分割出object,然后将连续帧的object关联起来;对多目标场景的效果较好,不能可靠处理对象之间的遮挡,只能获得区域信息,无法获得object的3D知识和轮廓
2、基于模型的跟踪:通过先验知识建立模型,通过图像数据与模型的匹配实现跟踪对象;有较好的健壮性,能够较好处理对象间互相遮挡和干扰的情况;可以利用表面、轮廓等先验知识
3、基于特征的跟踪:通过提取对象的高级特征描述,在连续帧间匹配特征,实现对object的跟踪;好处在于即使发生局部遮挡,对象的局部特征仍然可见
4、基于主动轮廓的跟踪算法:.......
视觉跟踪比较经典的算法有:meanshift,ivt,l1,mit,cv等
应用场景:导弹的制导(比如想轰炸某个桥),周界防范;
技术方法:
第一次的理解:参考《视觉跟踪新方法及其应用研究_夏瑜》,不同的作者理解会不一样,有偏差,所以不一定对
1、基于检测的方法
帧差法:两帧之间做差,适用于背景不变,目标运动的情况,鲁棒性不好
背景差分法:建立背景模型,减去背景
运动场估计
2、基于匹配的方法
区域匹配:根据区域的相似度匹配,目标的外形,尺寸,姿态等变化,鲁棒性不好,搜索量大
特征匹配:在区域的基础上,提取出特征表述(比如角点、边界、质心),鲁棒性比区域匹配好;最典型的是均值漂移的方法,mean-shift,建立代价函数表征候选目标与目标模型的代价值,通过求解代价函数,找到目标位置。代价函数利用的特征有:颜色特征等
变形模板:比如对轮廓建立参数模型,将变形定义为能量函数,通过对能量函数的优化实现轮廓匹配,对于部分遮挡的鲁棒性高,计算量小,最大的弱点是初始化轮廓困难
基于模型:利用先验知识,建立比如线图模型,2D模型,3D模型,能够可靠跟踪,但是缺点是建立三维目标需要大量参数,计算量大
3、基于滤波的方法
滤波就是根据目标当前和以前的观测值来估计下一步的最可能状态
4、基于融合的跟踪
多特征的融合
多模型的融合
多算法的融合:比如通过背景差分的方法提取前景目标,再通过匹配的方法跟踪,前景提取后能够极大的减少匹配的计算量,匹配又能够对提取的前景进行后处理,除掉误检的目标
第二次理解:参考《视觉跟踪算法综述_杨戈》
视觉跟踪方法:
1、基于区域的跟踪:首先从视频帧中分割出object,然后将连续帧的object关联起来;对多目标场景的效果较好,不能可靠处理对象之间的遮挡,只能获得区域信息,无法获得object的3D知识和轮廓
2、基于模型的跟踪:通过先验知识建立模型,通过图像数据与模型的匹配实现跟踪对象;有较好的健壮性,能够较好处理对象间互相遮挡和干扰的情况;可以利用表面、轮廓等先验知识
3、基于特征的跟踪:通过提取对象的高级特征描述,在连续帧间匹配特征,实现对object的跟踪;好处在于即使发生局部遮挡,对象的局部特征仍然可见
4、基于主动轮廓的跟踪算法:.......
视觉跟踪比较经典的算法有:meanshift,ivt,l1,mit,cv等
相关文章推荐
- 基于核函数的目标跟踪算法(下)
- 视觉跟踪综述
- 目标跟踪--技术发展文献梳理--by香蕉麦乐迪
- Tracking-by-detecion/learning(2): 重量级论文
- Mean Shift Tracking: 2000-2012回顾 (新论文更新)
- MDNet(multi domain CNN用于视觉跟踪)--源代码详解--mdnet_features_fcX.m
- struck(结构化SVM用于视觉跟踪)--源代码详解--tracker.cpp
- struck(结构化SVM用于视觉跟踪)--源代码详解--main.cpp
- struck(结构化SVM用于视觉跟踪)--源代码详解--sampler.cpp
- 深度学习在目标跟踪中的应用
- 视觉跟踪---MEEM算法--eccv14
- Visual Tracker Benchmark---by香蕉麦乐迪
- 视觉跟踪综述--by香蕉麦乐迪
- 目标跟踪系统框架
- B+树,聚集索引,非聚集索引(辅助索引) 之一
- 在Ubuntu上,使用SWT嵌入AWT/SWING代码导致Eclipse崩溃问题
- EditText (编辑文件对象)的各种属性
- jQuery作用
- 分数 任意输入
- Python核心编程读笔 11:模块