real-time compressive tracking 所感
来源:互联网 发布:淘宝高级搜索在哪里 编辑:程序博客网 时间:2024/06/08 14:33
最近在学习张开华教授的real-time compressive tracking这篇文章,记录下自己体会。
算法的工程网址:http://www4.comp.polyu.edu.hk/~cslzhang/CT/CT.htm
非常感谢zouxy09的专栏博主的论文分析:http://blog.csdn.net/zouxy09/article/details/8118360
以及C++代码分析:http://blog.csdn.net/zouxy09/article/details/8210176
下面是自己的一些感悟,欢迎大家指正:
我通过测试作者的程序发现该程序的运行效率较高,基本能实现在线跟踪效果,且不需要离线处理。但在某些测试样本中易出现跟丢的现象,初步怀疑作者提取的特征较为简单。
特征提取:本文中采用类似Haar特征模型,通过提取某块区域的像素和来作为特征,并采用了压缩的方法(原理不甚明朗)保留极少特征且保证不失真,极大减少了内存和提高了处理速度。关于Haar特征模型,请参考:http://blog.csdn.net/zouxy09/article/details/7929570 。
跟踪分类器:本文采用朴素贝叶斯分类器,通过正负样本log比值来确定概率,见论文公式(4)。在跟踪的同时在线更新分类器参数,保证跟踪的质量。
跟踪过程:1、第一帧人工标定目标,提取目标特征样本(整个程序只提取一次),并初始化分类器。
2、其余帧首先在上帧目标周围采取样本,并通过分类器得到分类最高的样本作为新的目标位置,并在新目标周围采集正负样本来训练分类器。
C++代码部分分析:
HaarFeature():用于第一帧提取目标的相对框架,对应于Fig1中的multiscale filter;以及矩阵R。
sampleRect ():有两个函数,一个采集正负样本用于训练分类器,一个采集样本用于检测。
getFeatureValue():获取压缩后的特征。
classifierUpdate():更新分类器。
radioClassifier():计算样本的概率,选择最高概率的样本作为新的跟踪区域。
附:C++程序在release下运行效果更好。
MATLAB代码部分分析:
HaarFtr():作用等同于C++的HaarFeature()。
sampleImg():作用等同于C++的sampleRect ()。
getFtrVal():作用等同于C++的getFeatureValue()。
classiferUpdate():作用等同于C++的classifierUpdate()。
ratioClassifier():作用等同于C++的radioClassifier()。
关于MATLAB和C++混合编程基础部分可参照:http://blog.csdn.net/zouxy09/article/details/20553007
- real-time compressive tracking 所感
- Real-Time Compressive Tracking
- Real-time Compressive Tracking
- Real-time Compressive Tracking
- Real-Time Compressive Tracking(CT) 札记
- Real-Time Compressive Tracking(CT) 札记
- Real-Time Compressive Tracking 论文笔记
- 《Real-Time Compressive Tracking》论文理解
- Real-Time Compressive Tracking阅读与分析
- Tracking算法学习之Compressive Tracking——Real-Time Compressive Tracking
- zhanglei 的Real-time Compressive Tracking的CT_C++_sq_v1代码
- Real-time Compressive Tracking目标跟踪算法理解
- Real-Time Compressive Tracking论文代码详细注释
- 目标跟踪学习系列七:Real-time compressIve tracking(压缩跟踪)学习
- Real-Time Tracking and Tuning for Busy Tomcat Servers
- Real-Time Tracking and Tuning for Busy Tomcat Servers
- Real-Time Tracking and Tuning for Busy Tomcat Servers
- Adaptive background mixture models for real-time tracking
- 2016.9.12
- 不能安装vm tools ,虚拟机打开了,一直是灰色的
- 内存对齐问题
- 尚硅谷java学习笔记——2.基本语法
- 第六章 信号量集
- real-time compressive tracking 所感
- javascript 第一日(基本概念)
- 子集生成(三种办法)
- VC操作word和excel文件,查询与读写[依赖office环境]
- TextView的基本属性
- 商业化IM 客户端设计---Message模型
- 装病的聚聚 codevs 5172
- 小白日记13:kali渗透测试之服务扫描(三)-SMTB扫描、防火墙识别、负载均衡识别、WAF识别
- MySQL存储引擎--MyISAM与InnoDB区别