跟踪算法

基本上当前排名前几的跟踪算法实际的速度已经太慢了,比如TLD,CT,还有Struct,如果目标超过十个,基本上就炸了。况且还有些跟踪算法自己drift掉了也不知道,比如第一版本的CT是无法处理drift的问题的,TLD是可以的,究其原因还是因为检测算法比较鲁棒

目前tracking主要是两种,discriminative 和 generative,当然也有combine两个的比如SCM。你提到的都是前者,就是算法里面基本有一个classifier可以分辨要追踪的物体。这类除了你说的最近比较火的还有速度极占优势的CSK(后来进化成KCF/DCF了)
另一种generative的方法,大致就是用模版(或者sparse code)抽一堆feature,按距离函数来匹配。L1,ASLA,LOT,MTT都是。

MIL,SCM,DCF,KCF,l1APG   http://faculty.ucmerced.edu/mhyang/papers/cvpr13_benchmark.pdf

benchmark 2015版:Visual Tracker Benchmark

时间: 2024-10-13 10:02:38

跟踪算法的相关文章

Struck 跟踪算法(四)

接下来分析Raw特征和Histogram特征. Raw特征:将图像缩放到16*16的像素空间内,各个像素值灰度化后为(0,1),结合高斯核函数,然后得到16*16=256维特征向量. 实现源码如下: /* * Struck: Structured Output Tracking with Kernels * * Code to accompany the paper: * Struck: Structured Output Tracking with Kernels * Sam Hare, Am

垃圾回收算法之引用跟踪算法

在<垃圾回收算法之引用计数算法>这篇博客里,我们说到了引用计数算法的缺陷:会造成循环引用的问题.本篇的引用跟踪算法则客服了这种缺陷. 在引用计数算法中,对于每个引用的对象,我们有一个额外的字段专门计数这个对象被引用的次数,当次数为0时,则视为垃圾.那在引用跟踪算法中,我们如何判断这个对象是垃圾呢?答案是:对象可达图. 一.对象可达图 它的含义是,首先将所有的对象标记为垃圾并将它们视为根,从根出发,将所有的正在使用的对象串联起来,直至完毕,不被串联的对象即为"不可达",即被视

Struck 跟踪算法(三)

接下来开始Haar特征提取算法的解析: 在本算法中,Haar特征选取了6种特征子,代码及解析如下: 6种Haar特征描述子计算如下,接下来分析Haar特征的应用: //生成Haar特征向量 192维 32*6=192维 void HaarFeatures::GenerateSystematic() { float x[] = {0.2f, 0.4f, 0.6f, 0.8f}; float y[] = {0.2f, 0.4f, 0.6f, 0.8f}; float s[] = {0.2f, 0.4

无人飞行器巡检输电线路的杆塔和导线跟踪算法

研制了一种无人飞行器(UAV)巡线系统,利用可见光相机.红外热像仪.紫外成像仪对输电线路.杆塔.绝缘子等输电设备进行综合检测.提出了一种杆塔和导 线跟踪算法,在已知UAV当前位置以及巡检线路中杆塔GPS信息的前提下,利用由GPS信息快速计算两点间距离的算法和地理坐标系转换,计算出相机对于杆 塔和导线的理想拍摄角度,进一步对云台角度进行自动调节,实现巡线过程中对杆塔和导线的跟踪.同时,文中讨论了该算法对于GPS定位精度的要求,并通过试 验证明了该算法的可行性. 此资料( 无人飞行器巡检输电线路的杆

TLD视觉跟踪算法

TLD算法好牛逼一个,这里有个视频,是作者展示算法的效果,http://www.56.com/u83/v_NTk3Mzc1NTI.html.下面这个csdn博客里有人做的相关总结,感觉挺好的,收藏了!下面有个Compressive Tracking的网址,提供的代码很少,但实时性很好,matlab代码下下来就能用. 以下博文转自:http://blog.csdn.net/windtalkersm/article/details/8018980 TLD是一种算法的简称,原作者把它叫做Trackin

TLD实时跟踪算法浅析

和大多数人一样,喜欢上TLD算法是从Kalal的一个视频开始的,一个令人心潮澎湃的视频.不得不说这个视频做的是相当的好,背景音乐更是恰到好处,当然别人的算法过硬才是关键,确实技高一筹啊,美中不足的可能就是Kalal憋足的发音了,哈哈,开玩笑啦.研究这个算法的现状是资源非常多,有很多博客,C++,matlab的源码都有,那我为什么还要写这个文章呢?原因是在阅读C++版本的代码时发现了bug,但目前据我所知,网络上没有一个人将其解释清楚,也有可能是我"搜商"不行哦,呵呵,也可能其他博主忙着

视频目标跟踪算法综述

视频跟踪:基于对比度分析的目标跟踪.基于匹配的目标跟踪和基于运动检测的目标跟踪      基于对比度分析的目标跟踪:主要利用目标和背景的对比度差异实现目标的检测与跟踪.这类算法按照跟踪参考点的不同可以分为边缘跟踪# 形心跟踪和质心 跟踪等.这类算法不适合复杂背景中的目标跟踪"但在空中背景下的目标跟踪中非常有效. 基于匹配的目标跟踪:主要通过前后帧之间的特征匹配实现目标的定位.   特征匹配:特征是目标可区别与其他事物的属性, 具有可区分性.可靠性.独立性和稀疏性.基于匹配的目标跟踪算法需要提取目

比微软kinect更强的视频跟踪算法--TLD跟踪算法介绍

转自:http://blog.csdn.net/carson2005/article/details/7647500 TLD(Tracking-Learning-Detection)是英国萨里大学的一个捷克籍博士生在其攻读博士学位期间提出的一种新的单目标长时间(long term tracking)跟踪算法.该算法与传统跟踪算法的显著区别在于将传统的跟踪算法和传统的检测算法相结合来解决被跟踪目标在被跟踪过程中发生的形变.部分遮挡等问题.同时,通过一种改进的在线学习机制不断更新跟踪模块的“显著特征

基于MeanShift的目标跟踪算法及实现

一.简介 首先扯扯无参密度估计理论,无参密度估计也叫做非参数估计,属于数理统计的一个分支,和参数密度估计共同构成了概率密度估计方法.参数密度估计方法要求特征空间服从一个已知的概率密度函数,在实际的应用中这个条件很难达到.而无参数密度估计方法对先验知识要求最少,完全依靠训练数据进行估计,并且可以用于任意形状的密度估计.所以依靠无参密度估计方法,即不事先规定概率密度函数的结构形式,在某一连续点处的密度函数值可由该点邻域中的若干样本点估计得出.常用的无参密度估计方法有:直方图法.最近邻域法和核密度估计