目标跟踪 深度学习.pptx

深度学****在目标跟踪中的应用
经典目标跟踪方法
基于深度学****的目标跟踪方法
跟踪方面的资料
构建目标描述模型时,模型可分为产生式模型和判别式模型。
产生式模型主要是通过计算目标和样本的联合概率,找到与目标模型最相近的样本作为当前目标状态的估计。
判别式模型则是计算条件概率,直接判断样本是否为目标。
根据构建模型的不同,跟踪算法可以分为:产生式方法、判别式方法
产生式方法
通过建立描述目标外观形状的模型来实现跟踪。即在下一帧图像中寻找最接近目标模型的物体的位置。这种“最接近”通常用最大似然或最大后验概率的形式来表示。
产生式方法着眼于对目标本身的刻画,忽略背景信息,在目标自身变化剧烈或者被遮挡时容易产生漂移。
产生式方法分为:点跟踪、核跟踪、轮廓跟踪、基于稀疏表示的跟踪。
判别式方法
把跟踪看成目标和背景的分类问题,与传统的跟踪算法不同,它不需要建立复杂的观测模型来描述目标,而是通过训练分类器来将目标从背景中提取出来。
分类器常用于目标检测中,在背景中检测目标的位置。在背景中得到了目标的位置也就实现了目标跟踪。因此,这种方法也被称作基于检测的跟踪(Tracking-by-Detection)
判别式方法因为显著区分背景和前景的信息,表现更为鲁棒,在目标跟踪领域占据主流地位。
值得一提的是,目前大部分深度学****目标跟踪方法也归属于判别式框架。
判别式方法的主要步骤:
已知目标初始位置,抽样提取当前帧的正负样本,在线训练分类器;
读入下一帧图像,一般假设前后两帧目标的位置不变,在目标位置周围抽取图像样本;
将抽取的样本送入之前训练的分类器,根据分类器得分最高的样本即可确定目标的新位置。
由于目标的各种外观信息都包含在训练分类器所需的正负样本中,因而判别式方法具有很好的鲁棒性,能够有效地处理真实场景中遇到的目标尺度变化、光照变化、部分遮挡等问题。
判别式方法采用的分类器有很多种:
1)Boosting分类器
2)贝叶斯分类器
3)SVM(支持向量机)分类器
4)随机森林分类器
5)RLS(正则化最小二乘法)分类器
6)神经网络分类器
7)…