多目標(biāo)跟蹤算法
關(guān)注創(chuàng)建者：匿名 創(chuàng)建時(shí)間：2021-11-05
多目標(biāo)跟蹤算法的視頻教程
多目標(biāo)遺傳算法實(shí)際案例——運(yùn)輸問(wèn)題的matlab目標(biāo)函數(shù)代碼詳解
該視頻介紹了一個(gè)具體運(yùn)輸問(wèn)題的多目標(biāo)遺傳算法的應(yīng)用，詳細(xì)介紹了matlab目標(biāo)函數(shù)編碼
￥20 13分鐘 8播放
查看
（基因算法）遺傳算法快速實(shí)現(xiàn)應(yīng)用（matlab代碼）多目標(biāo)最優(yōu)化分析
適用于有一定matlab編程基礎(chǔ)的同學(xué)，想要快速學(xué)習(xí)多目標(biāo)遺傳算法原理和matlab代碼。
￥10 15分鐘 57播放
查看
1-11 基于matlab的多目標(biāo)粒子群算法
基于matlab的多目標(biāo)粒子群算法，MOPSO,引導(dǎo)種群逼近真實(shí)Pareto前沿，算法運(yùn)行結(jié)束后將外部存檔中粒子作為獲得的Pareto最優(yōu)解近似。程序已調(diào)通，可以直接運(yùn)行。PS:程序運(yùn)行視頻見(jiàn)https://gf.bilibili.com/item/detail/1103082078 購(gòu)買(mǎi)后可下載視頻中的源程序文件。
￥25.9 1分鐘 8播放
查看
多目標(biāo)跟蹤算法的實(shí)例教程
來(lái)源 |
人工智能感知信息處理算法研究院
基于深度學(xué)習(xí)的多目標(biāo)跟蹤算法的主要任務(wù)是，優(yōu)化檢測(cè)目標(biāo)之間的相似性或距離度量的設(shè)計(jì)。根網(wǎng)絡(luò)學(xué)習(xí)到的特征的區(qū)別，可以將基于深度學(xué)習(xí)的多目標(biāo)跟蹤算法分為基于深度表現(xiàn)特征的跟蹤網(wǎng)絡(luò)，基于相似性度量的跟蹤網(wǎng)絡(luò)以及基于高階匹配特征的跟蹤網(wǎng)絡(luò)如下圖所示。
將神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到的目標(biāo)的表觀特征引入到多目標(biāo)跟蹤算法中，是提升多目標(biāo)跟蹤算法效果的最簡(jiǎn)單直接的辦法。其具體的操作方法有以下幾種：利用在圖像識(shí)別或行人重識(shí)別任務(wù)訓(xùn)練得到的特征提取網(wǎng)絡(luò)，直接替換現(xiàn)有的多目標(biāo)跟蹤算法框架中的表觀特征提取模塊；采用深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)光流運(yùn)動(dòng)特征，將光流網(wǎng)絡(luò)引入到算法中計(jì)算目標(biāo)之間的運(yùn)動(dòng)相關(guān)性等。而通過(guò)深度學(xué)習(xí)提升多目標(biāo)跟蹤算法更加直接的方法是學(xué)習(xí)檢測(cè)之間的特征相似性。譬如，設(shè)計(jì)深度網(wǎng)絡(luò)對(duì)不同目標(biāo)之間的相似性進(jìn)行度量，使得同一目標(biāo)的相似距離小，不同目標(biāo)的相似距離大，從而構(gòu)造關(guān)于檢測(cè)距離的代價(jià)函數(shù)。也可以通過(guò)設(shè)計(jì)二分類(lèi)代價(jià)，使相同目標(biāo)的檢測(cè)特征匹配類(lèi)型為 1，然不同目標(biāo)的檢測(cè)特征匹配類(lèi)型為 0，從而學(xué)習(xí)并輸出(0,1]之間的檢測(cè)匹配度。如果考慮已有軌跡與檢測(cè)之間的匹配，采用深度學(xué)習(xí)方法可以用于設(shè)計(jì)并計(jì)算軌跡之間的匹配相似度，這種方法可以認(rèn)為是基于深度學(xué)習(xí)的高階特征匹配方法。使用深度學(xué)習(xí)計(jì)算高階特征匹配算法，可以學(xué)習(xí)多幀表現(xiàn)特征的高階匹配相似度，也可以學(xué)習(xí)運(yùn)動(dòng)特征的匹配相關(guān)度。下面將通過(guò)對(duì)基于孿生網(wǎng)絡(luò)的深度學(xué)習(xí)多目標(biāo)跟蹤算法的詳細(xì)介紹，來(lái)說(shuō)明基于深度學(xué)習(xí)的多目標(biāo)跟蹤算法的詳細(xì)步驟。
基于對(duì)稱網(wǎng)絡(luò)的多目標(biāo)跟蹤算法有很多種，而其中的一種便是采用 Siamese對(duì)稱卷積網(wǎng)絡(luò)，該算法以兩個(gè)尺寸相同的檢測(cè)圖像塊為輸入，輸出為兩個(gè)圖像塊是否屬于同一個(gè)目標(biāo)的判別。
展開(kāi) 源自：控制與決策 作者：薛俊韜 馬若寒 胡超芳
摘要
針對(duì)深度學(xué)習(xí)算法在多目標(biāo)跟蹤中的實(shí)時(shí)性問(wèn)題, 提出一種基于MobileNet的多目標(biāo)跟蹤算法. 借助于MobileNet深度可分離卷積能夠?qū)ι疃染W(wǎng)絡(luò)模型進(jìn)行壓縮的原理, 將YOLOv3主干網(wǎng)絡(luò)替換為MobileNet, 通過(guò)將標(biāo)準(zhǔn)卷積分解為深度卷積和逐點(diǎn)卷積, 保留多尺度預(yù)測(cè)部分, 以有效減少參數(shù)量. 對(duì)于檢測(cè)得到的邊框信息, 利用Deep-SORT算法進(jìn)行跟蹤. 實(shí)驗(yàn)結(jié)果表明, 所提出方法在跟蹤效果基本不變的情況下可提升處理速度近50%.
關(guān)鍵詞
深度學(xué)習(xí) 多目標(biāo)跟蹤 目標(biāo)檢測(cè) YOLOv3 deep-SORT MobileNet
0 引言
多目標(biāo)跟蹤是計(jì)算機(jī)視覺(jué)領(lǐng)域的研究熱點(diǎn), 可應(yīng)用于交通監(jiān)測(cè)、安防等多個(gè)領(lǐng)域, 具有一定的應(yīng)用價(jià)值和挑戰(zhàn)性[1]. 檢測(cè)方式可以分為檢測(cè)跟蹤和無(wú)檢測(cè)跟蹤兩類(lèi), 前者需要檢測(cè)目標(biāo)后再進(jìn)行跟蹤; 后者需要在第1幀手動(dòng)初始化目標(biāo), 然后進(jìn)行跟蹤. 在目標(biāo)跟蹤中, 涌現(xiàn)出許多具有良好性能的算法, 如SSD[2]、R-CNN[3-4]以及YOLO系列[5-7], 其中YOLOv3[7]算法在檢測(cè)跟蹤中體現(xiàn)出較強(qiáng)的優(yōu)勢(shì).
由于深度學(xué)習(xí)的發(fā)展, 卷積神經(jīng)網(wǎng)絡(luò)模型逐漸替代了傳統(tǒng)手工設(shè)計(jì)的特征, 提供了一種端到端的處理方法, 精度也大幅提高. 但CNN模型在不斷提高精度的同時(shí), 其網(wǎng)絡(luò)深度和尺寸也在成倍增長(zhǎng), 需要GPU來(lái)進(jìn)行加速, 使得基于深度學(xué)習(xí)的跟蹤算法無(wú)法直接應(yīng)用于移動(dòng)設(shè)備, 導(dǎo)致難以符合實(shí)時(shí)性要求. 因此降低算法復(fù)雜度、提高實(shí)時(shí)性、簡(jiǎn)化和加速模型便成為亟待解決的問(wèn)題. 文獻(xiàn)[8-10]使用剪枝方法對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)壓縮. 文獻(xiàn)[11]提出從零開(kāi)始訓(xùn)練低秩約束卷積神經(jīng)網(wǎng)絡(luò)模型的方法, 不僅速度得到提升, 而且在一些情況下模型性能也有所提高.
展開(kāi) 基于matlab的交互多模算法（IMM）機(jī)動(dòng)目標(biāo)跟蹤算法，完整的15頁(yè)文檔論文。根據(jù)二維空間內(nèi)目標(biāo)作勻速直線運(yùn)動(dòng)和勻速圓周運(yùn)動(dòng)的特點(diǎn)，在建立目標(biāo)運(yùn)動(dòng)模型和觀測(cè)模型的基礎(chǔ)上采用基于交互多模算法（IMM）的卡爾曼濾波器對(duì)機(jī)動(dòng)目標(biāo)進(jìn)行跟蹤。仿真結(jié)果表明，該算法不僅能夠?qū)蛩僦本€運(yùn)動(dòng)和勻速圓周運(yùn)動(dòng)的目標(biāo)進(jìn)行跟蹤，而且在運(yùn)動(dòng)模型發(fā)生變化時(shí)，濾波誤差也比較小。程序已調(diào)通，可直接運(yùn)行。
同時(shí)，針對(duì)對(duì)精度要求較高的場(chǎng)景，PP-Tracking還提供了精度高達(dá)MOTA75.3的高精版跟蹤模型~
視頻引用公開(kāi)數(shù)據(jù)集[3]
多類(lèi)別跟蹤
PP-Tracking不僅高性能地實(shí)現(xiàn)了單鏡頭下的單類(lèi)別目標(biāo)跟蹤，更針對(duì)多種不同類(lèi)別的目標(biāo)跟蹤場(chǎng)景，
增強(qiáng)了特征匹配模塊以適配不同類(lèi)別的跟蹤任務(wù)，
實(shí)現(xiàn)跟蹤類(lèi)別覆蓋
人、自行車(chē)、小轎車(chē)、卡車(chē)、公交、三輪車(chē)
等上十種目標(biāo)，精準(zhǔn)實(shí)現(xiàn)多種不同種類(lèi)物體的同時(shí)跟蹤。
視頻引用公開(kāi)數(shù)據(jù)集[2]
跨鏡頭跟蹤
安防場(chǎng)景常常會(huì)涉及在多個(gè)鏡頭下對(duì)于目標(biāo)物體的持續(xù)跟蹤。當(dāng)目標(biāo)從一個(gè)鏡頭切換到另一個(gè)鏡頭，往往會(huì)出現(xiàn)目標(biāo)跟丟的情況，這時(shí)，一個(gè)效果好速度快的跨鏡頭跟蹤算法就必不可少了！PP-Tracking中提供的跨鏡頭跟蹤能力基于DeepSORT[6]算法，采用了百度自研的輕量級(jí)模型PP-PicoDet和PP-LCNet分別作為檢測(cè)模型和ReID模型，配合軌跡融合算法，保持高性能的同時(shí)也兼顧了高準(zhǔn)確度，
實(shí)現(xiàn)在多個(gè)鏡頭下緊跟目標(biāo)，無(wú)論鏡頭如何切換、場(chǎng)景如何變換，也能準(zhǔn)確跟蹤目標(biāo)的效果。
展開(kāi) 來(lái)源 |
人工智能感知信息處理算法研究院
受到閾值分割方法的啟發(fā)，在早期圖像分割常用傳統(tǒng)的閾值分割方法結(jié)合具體的使用場(chǎng)景手動(dòng)設(shè)計(jì)特征并調(diào)參進(jìn)行場(chǎng)景分割，基于閾值的二值分割的算法得到廣泛應(yīng)用。楊等人基于直方圖提出了一種改進(jìn)的閾值分割方法并將其應(yīng)用在足球機(jī)器人上。王等人利用閾值提取邊緣并基于邊緣信息對(duì)圖像進(jìn)行分割。趙等人利用 Otsu閾值及炭疽孢子的連通特性及形狀特征實(shí)現(xiàn)對(duì)炭疽孢子的分割。林等人基于閾值分割方法在 YUV 空間實(shí)現(xiàn)了番茄分割識(shí)別。這一系列基于傳統(tǒng)圖像處理技術(shù)的分割方法有著較大的局限性，適用的分割場(chǎng)景也較為簡(jiǎn)單，容易受到光照環(huán)境變化干擾，泛化能力不足。因此閾值分割算法逐漸被基于聚類(lèi)的方法取代。
Tao 等人結(jié)合 Mean-shift和 Ncut 方法，減少了計(jì)算量和噪聲的干擾，使分割速度大幅提升。雷等人使用 Mean-shift 算法同時(shí)結(jié)合深度信息實(shí)現(xiàn)了復(fù)雜度較高的場(chǎng)景分割。以上基于聚類(lèi)的無(wú)監(jiān)督方法可以獲得一定的場(chǎng)景泛化能力來(lái)應(yīng)對(duì)光線變化，但僅使用二維圖像對(duì)復(fù)雜場(chǎng)景分割的精度依舊有限且難以進(jìn)行場(chǎng)景感知，亦存在較多局限性。
針對(duì)室內(nèi)場(chǎng)景目標(biāo)多種多樣，各目標(biāo)之間差異較大，比如有靠椅、有凳子等，傳統(tǒng)圖像算法難以完整的分割出目標(biāo)，且難以獲得類(lèi)別標(biāo)簽等更多的信息。近年來(lái)，隨著GPU 算力的增長(zhǎng)以及數(shù)據(jù)集的完善，基于深度學(xué)習(xí)的語(yǔ)義分割算法飛速發(fā)展，圖像分割技術(shù)水平大幅提高，可以實(shí)現(xiàn)圖像像素級(jí)分類(lèi)，目標(biāo)分割完整度得到大大提升，進(jìn)而分割精度得到大大提升Long等人于 2014 年提出了全卷積網(wǎng)絡(luò)（Fully Convolutional Network，F(xiàn)CN）進(jìn)行語(yǔ)義分割，該網(wǎng)絡(luò)實(shí)現(xiàn)了端到端的逐像素分類(lèi)，是深度學(xué)習(xí)語(yǔ)義分割方法的基石。
展開(kāi) 
多目標(biāo)跟蹤算法的相關(guān)專(zhuān)題、標(biāo)簽、搜索
多目標(biāo)跟蹤算法的最新內(nèi)容
基于matlab的布谷鳥(niǎo)（COA）多目標(biāo)優(yōu)化算法，以 滿意度、成本、時(shí)間、質(zhì)量為目標(biāo)的多目標(biāo)優(yōu)化求解代碼。程序已調(diào)通，可直接運(yùn)行。
基于matlab的交互多模算法（IMM）機(jī)動(dòng)目標(biāo)跟蹤算法，完整的15頁(yè)文檔論文。根據(jù)二維空間內(nèi)目標(biāo)作勻速直線運(yùn)動(dòng)和勻速圓周運(yùn)動(dòng)的特點(diǎn)，在建立目標(biāo)運(yùn)動(dòng)模型和觀測(cè)模型的基礎(chǔ)上采用基于交互多模算法（IMM）的卡爾曼濾波器對(duì)機(jī)動(dòng)目標(biāo)進(jìn)行跟蹤。仿真結(jié)果表明，該算法不僅能夠?qū)蛩僦本€運(yùn)動(dòng)和勻速圓周運(yùn)動(dòng)的目標(biāo)進(jìn)行跟蹤，而且在運(yùn)動(dòng)模型發(fā)生變化時(shí)，濾波誤差也比較小。程序已調(diào)通，可直接運(yùn)行。
基于matlab的多目標(biāo)遺傳算法的無(wú)人機(jī)航路規(guī)劃。在三維航路中進(jìn)行航路代價(jià)估計(jì)，綜合考慮路徑長(zhǎng)度、隱蔽性、危險(xiǎn)度，規(guī)劃出最優(yōu)路徑。輸出3D規(guī)劃路徑。程序已調(diào)通，可直接運(yùn)行。
基于matlab的關(guān)于多目標(biāo)跟蹤的的濾波程序，包括采用聯(lián)合概率數(shù)據(jù)互聯(lián)（JPDA）算法實(shí)現(xiàn)兩個(gè)個(gè)勻速運(yùn)動(dòng)目標(biāo)的點(diǎn)跡與航跡的關(guān)聯(lián)，輸出兩個(gè)目標(biāo)跟蹤的觀測(cè)位置、估計(jì)位置以及估計(jì)誤差。程序已調(diào)通，可直接運(yùn)行。
基于matlab的多目標(biāo)粒子群算法，MOPSO,引導(dǎo)種群逼近真實(shí)Pareto前沿，算法運(yùn)行結(jié)束后將外部存檔中粒子作為獲得的Pareto最優(yōu)解近似。程序已調(diào)通，可以直接運(yùn)行。
視頻2 TI實(shí)驗(yàn)室采用毫米波雷達(dá)在移動(dòng)機(jī)器人上進(jìn)行障礙物跟蹤與識(shí)別的效果[3]
在多目標(biāo)跟蹤算法中毫米波雷達(dá)相比攝像頭優(yōu)勢(shì)在于能夠直接獲取到檢測(cè)目標(biāo)的速度，并能在黑夜和大霧環(huán)境下實(shí)現(xiàn)檢測(cè)目標(biāo)物體的檢測(cè)與跟蹤。下圖6所示為毫米波雷達(dá)在黑夜環(huán)境下對(duì)微小無(wú)人機(jī)的識(shí)別效果，紅框中的為攝像頭檢測(cè)到的無(wú)人機(jī)，黃框中為毫米波雷達(dá)檢測(cè)到的無(wú)人機(jī)點(diǎn)云數(shù)據(jù)。
基于pytorch的多目標(biāo)粒子群算法，MOPSO,引導(dǎo)種群逼近真實(shí)Pareto前沿，算法運(yùn)行結(jié)束后將外部存檔中粒子作為獲得的Pareto最優(yōu)解近似。程序已調(diào)通，可以直接運(yùn)行，標(biāo)價(jià)為程序價(jià)格，不包含售后。程序保證可直接運(yùn)行。
而Deep-SORT[18]多目標(biāo)跟蹤算法則在SORT[19]算法的基礎(chǔ)上, 提取深度表觀特征,使跟蹤效果有了明顯的提升.
來(lái)源 |
CV技術(shù)指南
在琳瑯滿目的視覺(jué)應(yīng)用中，對(duì)車(chē)輛、行人、飛行器等快速移動(dòng)的物體進(jìn)行實(shí)時(shí)跟蹤及分析，可以說(shuō)是突破安防、自動(dòng)駕駛、智慧城市等炙手可熱行業(yè)的利器。
但要實(shí)現(xiàn)又快又準(zhǔn)的持續(xù)跟蹤，往往面臨被檢目標(biāo)多、相互遮擋、圖像扭曲變形、背景雜亂、視角差異大、目標(biāo)小且運(yùn)動(dòng)速度快等產(chǎn)業(yè)難題。
來(lái)源 |
人工智能感知信息處理算法研究院
受到閾值分割方法的啟發(fā)，在早期圖像分割常用傳統(tǒng)的閾值分割方法結(jié)合具體的使用場(chǎng)景手動(dòng)設(shè)計(jì)特征并調(diào)參進(jìn)行場(chǎng)景分割，基于閾值的二值分割的算法得到廣泛應(yīng)用。楊等人基于直方圖提出了一種改進(jìn)的閾值分割方法并將其應(yīng)用在足球機(jī)器人上。王等人利用閾值提取邊緣并基于邊緣信息對(duì)圖像進(jìn)行分割。趙等人利用 Otsu閾值及炭疽孢子的連通特性及形狀特征實(shí)現(xiàn)對(duì)炭疽孢子的分割
