多目標(biāo)跟蹤算法的案例
基于深度學(xué)習(xí)的多目標(biāo)跟蹤算法原理
來源 |
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)化檢測目標(biāo)之間的相似性或距離度量的設(shè)計。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：利用在圖像識別或行人重識別任務(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)動特征，將光流網(wǎng)絡(luò)引入到算法中計算目標(biāo)之間的運(yùn)動相關(guān)性等。而通過深度學(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)檢測之間的特征相似性。譬如，設(shè)計深度網(wǎng)絡(luò)對不同目標(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)于檢測距離的代價函數(shù)。也可以通過設(shè)計二分類代價，使相同目標(biāo)的檢測特征匹配類型為 1，然不同目標(biāo)的檢測特征匹配類型為 0，從而學(xué)習(xí)并輸出(0,1]之間的檢測匹配度。如果考慮已有軌跡與檢測之間的匹配，采用深度學(xué)習(xí)方法可以用于設(shè)計并計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)動特征的匹配相關(guān)度。下面將通過對基于孿生網(wǎng)絡(luò)的深度學(xué)習(xí)多目標(biāo)跟蹤算法的詳細(xì)介紹，來說明基于深度學(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對稱卷積網(wǎng)絡(luò)，該算法以兩個尺寸相同的檢測圖像塊為輸入，輸出為兩個圖像塊是否屬于同一個目標(biāo)的判別。
展開 深度學(xué)習(xí)|基于MobileNet的多目標(biāo)跟蹤深度學(xué)習(xí)算法
源自：控制與決策 作者：薛俊韜 馬若寒 胡超芳
摘要
針對深度學(xué)習(xí)算法在多目標(biāo)跟蹤中的實(shí)時性問題, 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)測部分, 以有效減少參數(shù)量. 對于檢測得到的邊框信息, 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 YOLOv3 deep-SORT MobileNet
0 引言
多目標(biāo)跟蹤是計算機(jī)視覺領(lǐng)域的研究熱點(diǎn), 可應(yīng)用于交通監(jiān)測、安防等多個領(lǐng)域, 具有一定的應(yīng)用價值和挑戰(zhàn)性[1]. 檢測方式可以分為檢測跟蹤和無檢測跟蹤兩類, 前者需要檢測目標(biāo)后再進(jìn)行跟蹤; 后者需要在第1幀手動初始化目標(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]算法在檢測跟蹤中體現(xiàn)出較強(qiáng)的優(yōu)勢.
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, 其網(wǎng)絡(luò)深度和尺寸也在成倍增長, 需要GPU來進(jìn)行加速, 使得基于深度學(xué)習(xí)的跟蹤算法無法直接應(yīng)用于移動設(shè)備, 導(dǎo)致難以符合實(shí)時性要求. 因此降低算法復(fù)雜度、提高實(shí)時性、簡化和加速模型便成為亟待解決的問題. 文獻(xiàn)[8-10]使用剪枝方法對神經(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 214基于matlab的交互多模算法（IMM）機(jī)動目標(biāo)跟蹤算法 ￥25.5
基于matlab的交互多模算法（IMM）機(jī)動目標(biāo)跟蹤算法，完整的15頁文檔論文。根據(jù)二維空間內(nèi)目標(biāo)作勻速直線運(yùn)動和勻速圓周運(yùn)動的特點(diǎn)，在建立目標(biāo)運(yùn)動模型和觀測模型的基礎(chǔ)上采用基于交互多模算法（IMM）的卡爾曼濾波器對機(jī)動目標(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)動和勻速圓周運(yùn)動的目標(biāo)進(jìn)行跟蹤，而且在運(yùn)動模型發(fā)生變化時，濾波誤差也比較小。程序已調(diào)通，可直接運(yùn)行。
車輛、行人跟蹤一網(wǎng)打盡，超輕量、多類別、小目標(biāo)跟蹤系統(tǒng)開源了！
同時，針對對精度要求較高的場景，PP-Tracking還提供了精度高達(dá)MOTA75.3的高精版跟蹤模型~
視頻引用公開數(shù)據(jù)集[3]
多類別跟蹤
PP-Tracking不僅高性能地實(shí)現(xiàn)了單鏡頭下的單類別目標(biāo)跟蹤，更針對多種不同類別的目標(biāo)跟蹤場景，
增強(qiáng)了特征匹配模塊以適配不同類別的跟蹤任務(wù)，
實(shí)現(xiàn)跟蹤類別覆蓋
人、自行車、小轎車、卡車、公交、三輪車
等上十種目標(biāo)，精準(zhǔn)實(shí)現(xiàn)多種不同種類物體的同時跟蹤。
視頻引用公開數(shù)據(jù)集[2]
跨鏡頭跟蹤
安防場景常常會涉及在多個鏡頭下對于目標(biāo)物體的持續(xù)跟蹤。當(dāng)目標(biāo)從一個鏡頭切換到另一個鏡頭，往往會出現(xiàn)目標(biāo)跟丟的情況，這時，一個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模型PP-PicoDet和PP-LCNet分別作為檢測模型和ReID模型，配合軌跡融合算法，保持高性能的同時也兼顧了高準(zhǔn)確度，
實(shí)現(xiàn)在多個鏡頭下緊跟目標(biāo)，無論鏡頭如何切換、場景如何變換，也能準(zhǔn)確跟蹤目標(biāo)的效果。
展開 
多特征融合的多目標(biāo)跟蹤網(wǎng)絡(luò)
來源 |
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)合具體的使用場景手動設(shè)計特征并調(diào)參進(jìn)行場景分割，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，適用的分割場景也較為簡單，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的方法取代。
Tao 等人結(jié)合 Mean-shift和 Ncut 方法，減少了計算量和噪聲的干擾，使分割速度大幅提升。雷等人使用 Mean-shift 算法同時結(jié)合深度信息實(shí)現(xiàn)了復(fù)雜度較高的場景分割。以上基于聚類的無監(jiān)督方法可以獲得一定的場景泛化能力來應(yīng)對光線變化，但僅使用二維圖像對復(fù)雜場景分割的精度依舊有限且難以進(jìn)行場景感知，亦存在較多局限性。
針對室內(nèi)場景目標(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)，且難以獲得類別標(biāo)簽等更多的信息。近年來，隨著GPU 算力的增長以及數(shù)據(jù)集的完善，基于深度學(xué)習(xí)的語義分割算法飛速發(fā)展，圖像分割技術(shù)水平大幅提高，可以實(shí)現(xiàn)圖像像素級分類，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)行語義分割，該網(wǎng)絡(luò)實(shí)現(xiàn)了端到端的逐像素分類，是深度學(xué)習(xí)語義分割方法的基石。
展開 205基于matlab的關(guān)于多目標(biāo)跟蹤的的濾波程序 ￥15.9
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)兩個個勻速運(yùn)動目標(biāo)的點(diǎn)跡與航跡的關(guān)聯(lián)，輸出兩個目標(biāo)跟蹤的觀測位置、估計位置以及估計誤差。程序已調(diào)通，可直接運(yùn)行。
基于pytorch的多目標(biāo)粒子群算法 ￥59.9
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)價為程序價格，不包含售后。程序保證可直接運(yùn)行。
Isight中的多目標(biāo)優(yōu)化算法比較
對多個子目標(biāo)同時進(jìn)行優(yōu)化的問題稱為多目標(biāo)優(yōu)化問題，又稱多準(zhǔn)則優(yōu)化問題、多性能優(yōu)化問題。實(shí)際工程中，優(yōu)化問題大多數(shù)屬于多目標(biāo)問題，目標(biāo)之間一般都是互相沖突的，因此在設(shè)計時需要進(jìn)行多目標(biāo)的比較，并進(jìn)行權(quán)衡和折衷。自20世紀(jì)70年代以來，多目標(biāo)優(yōu)化問題在國際上引起了廣泛的關(guān)注，并迅速發(fā)展為一門新興的學(xué)科。
多目標(biāo)優(yōu)化算法主要分為兩大類：歸一化方法和非歸一化方法。
歸一化方法的解決方法通過加權(quán)或其他方式將多個目標(biāo)轉(zhuǎn)化為單一目標(biāo)，然后通過成熟的單目標(biāo)優(yōu)化方法求解。加權(quán)法是歸一化算法的代表算法之一，該算法主要是根據(jù)各子目標(biāo)的重要程度分別指定相應(yīng)的加權(quán)系數(shù)，將多目標(biāo)問題單目標(biāo)化，但其主要有兩個缺點(diǎn)：
（1）當(dāng)目標(biāo)函數(shù)的數(shù)量增加時，權(quán)重系數(shù)在目標(biāo)空間里的等值面的關(guān)系不再直觀；
（2）如果Pareto前沿形狀中存在沒有凸起的部分，則無法求得這部分Pareto最優(yōu)解。且加權(quán)法的權(quán)值通常并不是決策者設(shè)定，而是優(yōu)化者決定，這在很大程度上受到了優(yōu)化者主觀的影響。
非歸一化方法是采用Pareto機(jī)制直接處理多個目標(biāo)的優(yōu)化技術(shù)，它不需要將多個目標(biāo)轉(zhuǎn)化為單一目標(biāo)，因此解決了歸一化方法的缺點(diǎn)。非歸一化方法能夠使所求解集的前沿與Pareto前沿盡量接近，并盡量均勻覆蓋Pareto前沿。非歸一化方法中的代表方法是：多目標(biāo)遺傳算法、eArtius公司的ParetoExplorer方法等。
展開 11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 ￥29.9
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。
多目標(biāo)優(yōu)化的微分進(jìn)化算法
多目標(biāo)優(yōu)化的微分進(jìn)化算法
多目標(biāo)優(yōu)化的微分進(jìn)化算法.pdf
多目標(biāo)優(yōu)化問題有效解的一階必要條件.pdf
兩篇關(guān)于多目標(biāo)遺傳算法NSGA
詳細(xì)介紹了iSIGHT中的多目標(biāo)遺傳算法NSGA-II
1. A Fast and Elitist Multiobjective Genetic Algorithm:NSGA-II
2. An efficient constraint handling method for genetic algorithms
下載解壓縮
NSGA-II.part1.rar
NSGA-II.part2.rar
NSGA-II.part3.rar
NSGA-II.part4.rar
NSGA-II.part5.rar
多目標(biāo)優(yōu)化之非支配排序遺傳算法（NSGA-II） ￥39.99
遺傳算法GA ( Genetic Algorithms)是受生物學(xué)進(jìn)化學(xué)說和遺傳學(xué)理論的啟發(fā)而發(fā)展起來的，是一類模擬自然生物進(jìn)化過程與機(jī)制求解問題的自組織與自適應(yīng)的人工智能技術(shù)，是一種借鑒生物界自然選擇和自然遺傳機(jī)制的隨機(jī)的搜索算法，由Holland教授于1975年提出。
經(jīng)過十幾年的努力，遺傳算法不論是在應(yīng)用研究上，算法設(shè)計上，還是在基礎(chǔ)理論上，均取得了長足的發(fā)展，己經(jīng)成為信息科學(xué)、計算機(jī)科學(xué)、運(yùn)籌學(xué)和應(yīng)用科學(xué)等諸多學(xué)科所共同關(guān)注的熱點(diǎn)研究領(lǐng)域。
遺傳算法雖然在過去的20年中得到了廣泛的應(yīng)用，但研究人員己經(jīng)意識到，遺傳算法采用簡單的、固定不變的進(jìn)化策略對復(fù)雜應(yīng)用場合的效果并不理想，傳統(tǒng)的遺傳算法逐漸暴露出一些缺點(diǎn)。所以，為了提高遺傳算法的性能，使其更好地應(yīng)用于實(shí)際問題的解決中，研究者們開始對基本遺傳算法進(jìn)行改進(jìn)，通過不同的遺傳基因表達(dá)方式，不同的交叉和變異算子的選擇，特殊算子的引用，以及不同的再生和選擇方法，產(chǎn)生了以基本遺傳算法為核心的各種算法。遺傳算法的這些擴(kuò)展和改進(jìn)給一般問題特別是工業(yè)工程中的難以求解的優(yōu)化問題帶來了新的希望和方向。
由于多目標(biāo)優(yōu)化問題在科學(xué)和工程實(shí)踐中普遍存在，但又缺少確實(shí)有效的解決方法，研究人員把目光投向了具有多方向和全局搜索特點(diǎn)的遺傳算法。遺傳算法的這一基本特點(diǎn)可以確保帶有潛在解的種群能夠一代一代地維持下來，這種從種群到種群的方法對于搜索Pareto解非常有益，因此，利用遺傳算法解決多目標(biāo)優(yōu)化問題極具研究意義。于是，遺傳算法應(yīng)用于單目標(biāo)問題之后的20多年以后，多目標(biāo)遺傳算法逐漸成為研究熱點(diǎn)。
展開 兩篇關(guān)于多目標(biāo)遺傳算法NSGA-II的好文章
詳細(xì)介紹了iSIGHT中的多目標(biāo)遺傳算法NSGA-II
1. A Fast and Elitist Multiobjective Genetic Algorithm:NSGA-II
2. An efficient constraint handling method for genetic algorithms
下載解壓縮
NSGA-II.part1.rar
基于演化算法的多目標(biāo)優(yōu)化方法及其應(yīng)用研究
基于演化算法的多目標(biāo)優(yōu)化方法及其應(yīng)用研究part1
基于演化算法的多目標(biāo)優(yōu)化方法及其應(yīng)用研究.part1.rar
基于演化算法的多目標(biāo)優(yōu)化方法及其應(yīng)用研究.part2.rar
基于演化算法的多目標(biāo)優(yōu)化方法及其應(yīng)用研究.part3.rar
230基于matlab的布谷鳥（COA）多目標(biāo)優(yōu)化算法 ￥12.9
基于matlab的布谷鳥（COA）多目標(biāo)優(yōu)化算法，以 滿意度、成本、時間、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。
