3個矩陣:
狀態轉移矩陣f: f * x_previous[x,y,h,w,vx,vy,vh,vw] = x_current[x,y,h,w,vx,vy,vh,vw],在卡爾曼濾波模型中認為目標是勻速的!
雜訊矩陣
測量矩陣
找出當前幀的某個目標，是否與前一幀的某個目標(而這個前一幀的目標並不是從前一幀取,而是用卡爾曼濾波等**得到的前一幀目標在當前幀的位置)相同。
( 位置距離 + 特徵距離 = 是同一目標衡量)
#本質上是匹配模型,但是多目標的全域性匹配,被匹配的物件是運動**到的上一幀目標在當前幀時刻的所有目標(位置) 及 檢測到的當前幀所有目標(位置)
解決的是基於代價的分配問題.那麼只需要將目標間的距離作為代價,來分配id
person_c1 person_c2 person_c3
person_p1 d11 d12 d13
person_p2 d21 d22 d23
person_p3 d31 d32 d33
最終設定乙個d閾值,如果最終分配的路徑結果中,比如為d11 d22 d33,但是d11>d_thresh則,認為當前幀的person_c1是沒有分配成功的目標,認為其為新增目標,分配新增id!!!
因此先用卡爾曼濾波或光流法對將上一幀目標更新到當前幀,然後用這些與當前幀的新的檢測detections進行匈牙利匹配,來確定是直接分配前幀已有id還是新增id.
結果:有些前幀的id與當前幀的detections匹配上了,有些沒匹配可能導致前幀的id在當前幀沒了(跟丟),也可能導致當前幀的detections沒有匹配(新增id))
現在主流的跟蹤基於檢測的,tracking by detecting
目標跟蹤更多考慮的是對目標的表達，跟蹤過程中對目標表示的更新，跟蹤中對周圍環境變化資訊、對時空資訊的利用等等;
跟蹤的難點在於關聯和狀態估計（位置/速度/旋轉）
正因如此，跟蹤任務才即可被看作是生成式任務，也可以被看作為判別式任務，既可以通過深度學習的方法來暴力解決，也可以通過傳統統計學、機器學習的方法來解決優化。
基於顏色特徵
基於相關濾波
基於深度學習
最大是1, 最小是-infinity;越小模型越不准!
跟蹤不需要識別,但是現在主流的跟蹤都是基於檢測的跟蹤幀間差分
背景差分
光流法卡爾曼濾波
均值飄移
相關濾波(上個時代的巔峰)
深度學習:基於siamfc系列發展
模板匹配法：魯棒性差（13年**，傳統方法）
狀態空間法：（概率轉移法）：通過將系列動作構建狀態圖，然後通過某種概率將這些狀態節點的依存關係聯絡起來
動態貝葉斯網路
隱馬科夫模型
圖卷積
track by detectdemo結果可見明顯的問題:(why)
當兩個目標靠的較勁有overlap,id會被影響,賦予最新的id(作為新目標出現)
目標即使沒有靠的近,也會發生跟丟,進而分配最新的id的情況
處理問題1中的短時間遮擋導致的id交叉:
且對檢測的每一幀都用乙個小型的reid網路來記錄特徵資訊,如果同時滿足兩種資訊則不會賦予新的id
初步了解目標檢測
2.目標框 目標檢測，這就好比我們的行李箱過安檢，安全員通過掃瞄的對行李箱內的物品進行檢查，什麼東西可以通過，什麼又不能通過，而這一前提是安全員知道什麼行李裡面 有什麼物品，它們又是否是安全和非安全物品，並在檢查中識別出來。目標檢測是物品分類識別的進一步應用。物體分類的任務中，我們只需要對物品進行特...
初步了解可重定位目標檔案
首先，我們先來了解一下什麼是可重定位目標檔案，如圖 我們看到，原始檔經過翻譯器處理後形成的 o 檔案 就是可重定位目標檔案。目標檔案總共有三種 共享目標檔案 可執行目標檔案 可重定位目標檔案。其中，可重定位目標檔案包含二進位制資料和 可以在編譯時和其它可重定位目標檔案合併起來，建立乙個可執行目標檔案...
目標跟蹤小結
一 引言 在需要監控的環境裡，如何能夠判斷出進入特定區域的目標，並且能夠跟蹤目標的軌跡。分為兩種情況 一是靜態背景下的目標跟蹤 二是動態背景下的目標跟蹤。二 靜態背景下的目標跟蹤方法 2 多目標 靜態環境下的多目標跟蹤，需要確定每個目標的特徵，位置，運動方向，速度等資訊。3 預處理 由於獲得的影象總...