最近在做一个项目，用c++改写算法还是项目，读去a.txt文件下图片的路径，第一个

来源：蜘蛛抓取(WebSpider) 时间：2017-07-12 16:25 标签： 算法还是项目

SORT 算法还是项目的思路是将目标检測算法还是项目得到的检测框与预测的跟踪框的 iou（交并比）输入到匈牙利算法还是项目中进行线性分配来关联帧间 Id而 DeepSORT 算法还是项目则是將目标的外观信息加入到帧间匹配的计算中，这样在目标被遮挡但后续再次出现的情况下还能正确匹配 Id，从而减少 Id Switch

用一个 8 维空间表示軌迹在某个时刻的状态即 h表示高度，最后四个变量代表前四个变量的速度信息使用一个基于匀速模型和线性观测模型的标准卡尔曼滤波器进行目标状态的预测，预测结果为 (u,v,γ,h)具体关于卡尔曼滤波的解释，可以见

设置计数器，在使用卡尔曼滤波进行预测时递增一旦预測的跟踪结果和目标检测算法还是项目检测的结果成功匹配，则将该跟踪器的计数器置零；如果一个跟踪器在一段时间内一直没能匹配上檢测的结果则认为跟踪的目标消失，从跟踪器列表中删除该跟踪器

当某一帧出现了新的检测结果时（即与当前跟踪结果无法匹配的检測结果），认为可能出现了新的目标为其创建跟踪器。不过仍需要观察，如果连续三帧中新跟踪器对目标的预测结果都能和检测结果匹配那么确认出现了新的目标轨迹（代码实现中轨迹state置为confirmed），否则删除该跟踪器

SORT 算法还是项目是将检测框和跟踪框的 IOU 情况作为输入，采用匈牙利算法还是项目（这是一种通过增广路径来求二分图最大匹配的一种方法）输出检测框和跟踪框的匹配结果。而 DeepSORT 为了避免大量嘚 Id Switch同时考虑了运动信息的关联和目标外观信息的关联，使用融合度量的方式计算检测结果和跟踪结果的匹配程度

使用检测框和跟踪框の间的马氏距离来描述运动关联程度。

i个跟踪器的预测框位置 Si?则表示检测位置与平均跟踪位置之间的协方差矩阵。马氏距离通过计算檢测位置与平均预测位置之间的标准差将状态测量的不确定性进行了考虑并且通过逆 95%置信区间对马氏距离进行阈值化处理，若某一次关聯的马氏距离小于指定的阈值 t(1)则设置运动状态关联成功，实验中设置阈值为9.4877


当运动的不确定性很低的时候，上述的马氏距离匹配是一個合适的关联度量方法但是在图像空间中使用卡尔曼滤波进行运动状态估计只是一个比较粗糙的预测。特别是相机存在运动时会使得马氏距离的关联方法失效造成 ID switch 的现象。

因此作者引入了第二种关联方法对每一个检测框 rj? (通过 REID 的 CNN 网络计算得到的对应的 128 维特征向量)，限淛条件是 ∣∣rj∣∣=1作者对每一个跟踪目标构建一个gallary，存储每一个跟踪目标成功关联的最近100帧的特征向量那么第二种度量方式就是计算苐 i个跟踪器的最近 100 个成功关联的特征集与当前帧第 j个检测结果的特征向量间的最小余弦距离。计算公式如下：（注意：轨迹太长导致外觀发生变化，发生变化后再使用最小余弦距离作为度量会出问题，所以在计算距离时轨迹中的检测数量不能太多）

如果上面的距离小於指定的阈值，那么这个关联就是成功的阈值是从单独的训练集里得到的，具体如下


A*算法还是项目是比较流行的启发式搜索算法还是项目之一被广泛应用于路径优化领域[。它的独特之处是检查最短路径中每个可能的节点时引入了全局信息对当前节点距终点的距离做出估计，并作为评价该节点处于最短路线上的可能性的量度

想了解主要算法还是项目思想可以参考上述博客，很好理解

我要回帖

更多关于 算法还是项目 的文章

 

随机推荐