当检测器本身就不太靠谱的时,如何关联前后两次检测的物体是同一物体
来源:互联网 发布:近几年的棉花数据图 编辑:程序博客网 时间:2024/06/06 01:27
如何关联前后两次检测的物体是同一个物体,当检测器本身就不太靠谱的时候。
前段时间斗胆做了做本科的时候想做,但是一直没做的基于差分的轨迹判别。期间遇到的问题是,如何判断前后两次检测的若干个物体间的对应关系,即t-1帧图像的物体i和t帧的哪个物体对应。这个问题再本质一些,就是在说,用什么样的标准判断集合A和集合B中元素的对应关系。候选的判断标准有两种:
1、距离类
2、相似度类
基于距离的判别。基本假设是稳定检测的物体不会凭空消失。基于这种假设,计算集合A和B之间的任意元素间的距离,对于集合A中的每个元素ai,求出其在集合B中的距离最近的元素bj。存在的问题是,可能存在多个多对一的匹配结果,即集合B中的元素bk可能同时与A中的多个元素匹配。
基于相似度的判别。基本假设是物体的某些特征比较稳定,不会发生剧烈变化。计算集合A和B之间任意元素间的基于某特征的相似度,对于集合A中的每个元素ai,求出其在集合B中的相似度最高的元素bj。
先进行距离判别,再进行相似度判别,可以保证一定的精度。即使进行了双重保证,实验中还是暴露出来了不少问题。最关键的是,监测器的性能不是很稳定。检测器会漏检,即该是车的没被检测出来;检测器会误检,即本来不是车的被检测成了车。重新描述一下要解决的问题就是,用什么样的标准判断含有噪声/缺失数据的集合A和B中元素的对应关系。
处理上述问题的一些思路,首先确定误检率和漏检率。对于漏检,可以使用速度估计,特征模板估计,在当前集合B数据缺失的情况下完成和集合A的匹配。对于误检,使用小概率事件重复发生次数进行判断,如果一次检测是误检,该误检不会持续出现多次;反之,如果出现多次,那么这肯定不是巧合,而是必然。同样的,对于漏检一次是可以的,如果漏检次数过多,则可以判定匹配失效了,即集合A中的某元素出场了。对应的场景有,车开出监控区域了,或者是躲在了监控区域内的某个物体后面。
分析到这里,我们发现对付数据缺失和噪声,最好的办法是基于既有数据进行推理,推理的基本依据是小概率事件频发的解释。
虽然,目前基本问题解决了,但是在匹配上还是存在一些问题,比如在室外条件下使用颜色作为特征基本没有。在低分辨率的视频源上如何有效提取特征信息进行检测也是问题。面对工程问题,没有一个方法可以解决全部的问题,因为方法本身有它的基本假设,是对真实场景的合理简化,但不是真实场景。对于科学问题,要在迭代过程中,尽量抽象出工程问题的本质,然后用科学的方法对其进行研究,找到解决方案,进行检验,总结尚不能解决的问题的原因,进行下一轮的迭代。
解决问题的过程,是一个迭代的过程,也是加深对问题理解的过程,因此不能拒绝粗大误差,不能拒绝不好的数据,往往问题就在其中,学术前沿就在其中。
http://blog.csdn.net/clhmw/article/details/9158353
- 当检测器本身就不太靠谱的时,如何关联前后两次检测的物体是同一物体
- 物体检测的总结
- 运动物体检测的问题
- 物体检测的提速方法
- 空间圆形物体的检测
- UE4物体的碰撞检测
- 运动物体的检测 初
- 当下主流CNN物体检测器的对比评测
- 对当下主流CNN物体检测器的对比评测
- 运动物体的检测--对视频检测
- 图像物体分类和物体检测算法的概括
- 浅谈训练物体检测与物体识别的训练数据
- 物体变成其他物体的子物体
- 人的大脑是如何识别运动物体
- 远离物体本身的DOF,与物体之间是否有连线
- Unity3d中物体的的碰撞检测
- 基于OpenCv的运动物体检测算法
- 控制物体的移动与碰撞检测
- linux环境下cpu利用率的计算
- Power Strings(KMP算法)
- 经典排序算法-Java版
- 稀疏矩阵的乘法
- 10305 - Ordering Tasks(拓扑序列)
- 当检测器本身就不太靠谱的时,如何关联前后两次检测的物体是同一物体
- 编写Linux/Unix守护进程
- 协议栈概念
- 有符号的范围,-128~+127详解
- Linux系统编程学习笔记(十一)守护进程
- TopCoder SRM 144 DIV2 550points
- Java笔记——String类(01)
- 键盘对应的数字
- 学习总结-String类常用API