視覺目標(biāo)跟蹤的案例
一文帶你了解機(jī)器人是如何通過視覺實(shí)現(xiàn)目標(biāo)跟蹤的！
Abstract：視覺跟蹤技術(shù)是計(jì)算機(jī)視覺領(lǐng)域（人工智能分支）的一個(gè)重要課題，有著重要的研究意義。在軍事制導(dǎo)、視頻監(jiān)控、機(jī)器人視覺導(dǎo)航、人機(jī)交互、以及醫(yī)療診斷等許多方面有著廣泛的應(yīng)用前景。隨著研究人員不斷地深入研究，視覺目標(biāo)跟蹤在近十幾年里有了突破性的進(jìn)展，使得視覺跟蹤算法不僅僅局限于傳統(tǒng)的機(jī)器學(xué)習(xí)方法，更是結(jié)合了近些年人工智能熱潮—深度學(xué)習(xí)（神經(jīng)網(wǎng)絡(luò)）和相關(guān)濾波器等方法。本文主要介紹以下幾點(diǎn)：什么是視覺目標(biāo)跟蹤（單目標(biāo)跟蹤）、單目標(biāo)跟蹤的基本結(jié)構(gòu)（框架），目標(biāo)跟蹤存在的挑戰(zhàn)，目標(biāo)跟蹤經(jīng)典相關(guān)方法及研究趨勢(shì)等。
01 單目標(biāo)跟蹤任務(wù)簡介
目標(biāo)跟蹤是計(jì)算機(jī)視覺領(lǐng)域的一個(gè)重要問題，目前廣泛應(yīng)用在體育賽事轉(zhuǎn)播、安防監(jiān)控和無人機(jī)、無人車、機(jī)器人等領(lǐng)域。下面是一些應(yīng)用的例子。
車輛跟蹤
足球比賽
田徑比賽
視覺目標(biāo)（單目標(biāo)）跟蹤是指對(duì)圖像序列中的運(yùn)動(dòng)目標(biāo)進(jìn)行檢測、提取、識(shí)別和跟蹤，獲得運(yùn)動(dòng)目標(biāo)的運(yùn)動(dòng)參數(shù)，如位置、速度、加速度和運(yùn)動(dòng)軌跡等，從而進(jìn)行下一步的處理與分析，實(shí)現(xiàn)對(duì)運(yùn)動(dòng)目標(biāo)的行為理解，以完成更高一級(jí)的檢測任務(wù)。
其具體任務(wù)即根據(jù)所跟蹤的視頻序列給定初始幀（第一幀）的目標(biāo)狀態(tài)（位置、尺度），預(yù)測后續(xù)幀中該目標(biāo)狀態(tài)。
展開 計(jì)算機(jī)視覺必讀：目標(biāo)跟蹤、網(wǎng)絡(luò)壓縮、圖像分類、人臉識(shí)別等
目標(biāo)跟蹤(object tracking)
目標(biāo)跟蹤旨在跟蹤一段視頻中的目標(biāo)的運(yùn)動(dòng)情況。通常，視頻第一幀中目標(biāo)的位置會(huì)以包圍盒的形式給出，我們需要預(yù)測其他幀中該目標(biāo)的包圍盒。目標(biāo)跟蹤類似于目標(biāo)檢測，但目標(biāo)跟蹤的難點(diǎn)在于事先不知道要跟蹤的目標(biāo)具體是什么，因此無法事先收集足夠的訓(xùn)練數(shù)據(jù)以訓(xùn)練一個(gè)專門的檢測器。
孿生網(wǎng)絡(luò) 類似于人臉驗(yàn)證的思路，利用孿生網(wǎng)絡(luò)，一支輸入第一幀包圍盒內(nèi)圖像，另一支輸入其他幀的候選圖像區(qū)域，輸出兩張圖的相似度。我們不需要遍歷其他幀的所有可能的候選區(qū)域，利用全卷積網(wǎng)絡(luò)，我們只需要前饋整張圖像一次。通過互相關(guān)操作(卷積)，得到二維的響應(yīng)圖，其中最大響應(yīng)位置確定了需要預(yù)測的包圍盒位置。基于孿生網(wǎng)絡(luò)的方法速度快，能處理任意大小的圖像。
CFNet 相關(guān)濾波通過訓(xùn)練一個(gè)線性模板來區(qū)分圖像區(qū)域和它周圍區(qū)域，利用傅里葉變換，相關(guān)濾波有十分高效的實(shí)現(xiàn)。CFNet結(jié)合離線訓(xùn)練的孿生網(wǎng)絡(luò)和在線更新的相關(guān)濾波模塊，提升輕量級(jí)網(wǎng)絡(luò)的跟蹤性能。
生成式模型(generative models)
這類模型旨在學(xué)得數(shù)據(jù)(圖像)的分布，或從該分布中采樣得到新的圖像。
展開 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！
來源 |
CV技術(shù)指南
在琳瑯滿目的視覺應(yīng)用中，對(duì)車輛、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。
視頻引用公開數(shù)據(jù)集[1][2][3][4]
那如何快速實(shí)現(xiàn)高性能的目標(biāo)跟蹤任務(wù), 并在移動(dòng)端實(shí)現(xiàn)部署上線呢？今天給大家介紹的不僅僅是單獨(dú)的智能視覺算法，而是一整套多功能多場景的跟蹤系統(tǒng)—PP-Tracking。
它融合了目標(biāo)檢測、行人重識(shí)別、軌跡融合等核心能力，并針對(duì)性的優(yōu)化和解決上述實(shí)際業(yè)務(wù)的痛點(diǎn)難點(diǎn)，提供行人車輛跟蹤、跨鏡頭跟蹤、多類別跟蹤、小目標(biāo)跟蹤及流量計(jì)數(shù)等能力與產(chǎn)業(yè)應(yīng)用，還支持可視化界面開發(fā)，讓你快速上手、迅速落地。
趕緊Star? 獲得所有算法源碼！習(xí)得目標(biāo)跟蹤“秘籍”吧。
項(xiàng)目鏈接
https://github.com/PaddlePaddle/paddledetection
下面讓小編來帶大家來快速領(lǐng)略下這套目標(biāo)跟蹤系統(tǒng)的大致結(jié)構(gòu)、優(yōu)勢(shì)兩點(diǎn)等。
展開 一文熟悉視頻目標(biāo)跟蹤
計(jì)算機(jī)視覺是人工智能領(lǐng)域的重要分支，旨在研宄如何讓計(jì)算機(jī)像人類視覺系統(tǒng)一樣智能地感知、分析、處理現(xiàn)實(shí)世界。以圖像和視頻為信息載體的各項(xiàng)計(jì)算機(jī)視覺算法，早己滲透到大眾的日常生活中，如人臉識(shí)別、人機(jī)交互、商品檢索、智能監(jiān)控、視覺導(dǎo)航等。視頻目標(biāo)跟蹤技術(shù)，作為計(jì)算機(jī)視覺領(lǐng)域中基礎(chǔ)的、重要的研宄方向之一，一直是研宄人員的關(guān)注熱點(diǎn)。
視頻目標(biāo)跟蹤要求在已知第一幀感興趣物體的位置和尺度信息的情況下，對(duì)該目標(biāo)在后續(xù)視頻幀中進(jìn)行持續(xù)的定位和尺度估計(jì)Ｗ。廣義的目標(biāo)跟蹤通常包含單目標(biāo)跟蹤和多目標(biāo)跟蹤。兩者既有差別又有緊密的聯(lián)系。多目標(biāo)跟蹤算法主要包括目標(biāo)檢測和軌跡關(guān)聯(lián)，以確保同一個(gè)物體在視頻中獲得固定的、唯一的數(shù)字標(biāo)識(shí)。多目標(biāo)跟蹤通常限定在目標(biāo)類別已知的場景中，如多行人、多車輛的視覺跟蹤。因此，多目標(biāo)跟蹤算法高度依賴現(xiàn)成的目標(biāo)檢測器。物體檢測的質(zhì)量直接關(guān)系到后續(xù)的多目標(biāo)軌跡關(guān)聯(lián)。不同地，單目標(biāo)跟蹤算法要求處理任意類別的物體，即不知道任何關(guān)于目標(biāo)的先驗(yàn)信息。雖然前提條件略有差異，但正如其名，單目標(biāo)跟蹤與多目標(biāo)跟蹤都緊緊圍繞著視頻中的物體識(shí)別與跟蹤，因而在外觀建模、運(yùn)動(dòng)分析、軌跡關(guān)聯(lián)等技術(shù)細(xì)節(jié)上有緊密的關(guān)聯(lián)。如何將單目標(biāo)跟蹤技術(shù)應(yīng)用于多目標(biāo)跟蹤領(lǐng)域也被廣泛研宄。因此，研究經(jīng)典的、通用的單目標(biāo)跟蹤任務(wù)對(duì)于整個(gè)跟蹤領(lǐng)域的發(fā)展有重要意義
隨著計(jì)算機(jī)運(yùn)算性能的突飛猛進(jìn)、高性能攝像終端的廣泛普及、以及視頻分析需求的與日俱增，目標(biāo)跟蹤算法應(yīng)用范圍愈發(fā)廣泛，落地需求愈加強(qiáng)烈。實(shí)現(xiàn)一個(gè)可以精準(zhǔn)地、穩(wěn)健地、快速地執(zhí)行目標(biāo)定位的高效視覺跟蹤系統(tǒng)是目前不懈努力的技術(shù)方向＝近年來，在國內(nèi)外大量學(xué)者的努力研宄下，該方向已經(jīng)取得了突飛猛進(jìn)的進(jìn)展，但同時(shí)仍存在許多亟需解決的問題，例如如何應(yīng)對(duì)跟蹤過程中目標(biāo)的形變、模糊、旋轉(zhuǎn)、遮擋、超出視野等。
展開 
基于雙目視覺的目標(biāo)檢測與追蹤方案詳解
從稀疏特征跟蹤框架中獲取的時(shí)空信息用于識(shí)別運(yùn)動(dòng)圖像區(qū)域。外觀信息被完全忽略，因此不會(huì)產(chǎn)生特定于對(duì)象的結(jié)果。如下圖顯示了測量提取算法的基本工作流程，可以概括如下：稀疏特征檢測器識(shí)別隨后跟蹤的強(qiáng)候選特征。跟蹤器的過濾需要引入平滑策略，實(shí)現(xiàn)基本的異常值去除，并為軌跡存儲(chǔ)和分析提供框架。可用信息最終在聚類例程中進(jìn)行處理，該例程需要對(duì)相似的特征軌跡進(jìn)行分組。
立體視覺測量提取算法示意圖
1）特征提取
特征檢測通常是使用加速段測試 (FAST) 算法中的特征檢測進(jìn)行的，該檢測器在計(jì)算復(fù)雜性方面明顯優(yōu)于其他替代方案，并且專為一致性高的多視圖特征提取而量身定制，這些屬性有利于將 FAST 角點(diǎn)檢測器用于在實(shí)時(shí)立體視覺中的應(yīng)用。
使用稀疏特征檢測有一些固有的缺點(diǎn)，其中最值得注意的是無法從低紋理圖像區(qū)域收集信息，這可能會(huì)阻礙最終準(zhǔn)確估計(jì)目標(biāo)范圍的能力。范圍信息應(yīng)主要從視覺子系統(tǒng)中提取，因?yàn)樗峁┍壤走_(dá)更高的分辨率。為了減輕可能的負(fù)面影響，設(shè)置特征檢測閾值以產(chǎn)生半密集信息，即分布在視野中的數(shù)千個(gè)特征被識(shí)別為跟蹤候選。通過這種方法，可以獲得相當(dāng)準(zhǔn)確的范圍信息，而計(jì)算需求仍然比密集檢測方法低得多。
2）特征追蹤
算法運(yùn)行所需的時(shí)間數(shù)據(jù)可通過狀態(tài)估計(jì)器獲得，該估計(jì)器隨時(shí)間跟蹤檢測到相應(yīng)的特征，由此產(chǎn)生的運(yùn)動(dòng)信息對(duì)于運(yùn)動(dòng)物體分割具有重要價(jià)值。本文將詳細(xì)介紹實(shí)現(xiàn)的特征跟蹤框架。
①卡爾曼濾波器
檢測目標(biāo)的半密集性要求對(duì)后續(xù)處理進(jìn)行仔細(xì)考慮，可能數(shù)以千計(jì)的跟蹤特征需要非常有效的狀態(tài)估計(jì)器。為此，引入了卡爾曼濾波器。
展開 多特征融合的多目標(biāo)跟蹤網(wǎng)絡(luò)
針對(duì)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(jí)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。該算法以 VGG-16 網(wǎng)絡(luò)為主干網(wǎng)絡(luò)，去除了網(wǎng)絡(luò)后的全連接層（Fully Connected Layer，F(xiàn)C）。由于 VGG-16 中只有全連接層要求輸入尺寸為固定大小，去除全連接層后，輸入網(wǎng)絡(luò)的圖像尺寸便可以是動(dòng)態(tài)大小，去除了固定輸入尺寸的限制。同時(shí) FCN 根據(jù)不同的下采樣倍率，將下采樣時(shí)得到的特征圖與上采樣進(jìn)行轉(zhuǎn)置卷積計(jì)算時(shí)的特征圖進(jìn)行融合得到了精細(xì)的像素級(jí)分割結(jié)果，為后續(xù)語義分割網(wǎng)絡(luò)設(shè)計(jì)奠定了基礎(chǔ)框架。所以后續(xù)分割算法大都以其為基礎(chǔ)進(jìn)行改進(jìn)。SegNet在解碼器部分使用上池化操作進(jìn)行上采樣保留了高頻細(xì)節(jié)的完整性，實(shí)現(xiàn)了更精細(xì)的分割。之后的Unet在編解碼器間加入了若干跳躍連接，融合了編解碼器不同層次的特征，減小了信息丟失來提升精度，由于 Unet 設(shè)計(jì)了簡單高效的特征融合方式，在醫(yī)學(xué)圖像上作細(xì)胞分割效果較好，之后醫(yī)學(xué)圖像分割領(lǐng)域出現(xiàn)了很多基于 Unet 改進(jìn)的分割網(wǎng)絡(luò)。2014年，Chen 等人在FCN 的特征提取網(wǎng)絡(luò)輸出端添加了條件隨機(jī)（Conditional Random Fields，CRF）模塊，進(jìn)而提出了 Deeplab 方法，顯著提高了分割的精度。
展開 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(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(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)于檢測距離的代價(jià)函數(shù)。也可以通過設(shè)計(jì)二分類代價(jià)，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(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(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 基于深度學(xué)習(xí)的機(jī)器人目標(biāo)識(shí)別和跟蹤
在目標(biāo)跟蹤方面
專門應(yīng)用于目標(biāo)跟蹤任務(wù)的訓(xùn)練集較少，無法適應(yīng)當(dāng)前多變的跟蹤環(huán)境，完成訓(xùn)練任務(wù)。
當(dāng)前的訓(xùn)練模型受限于目標(biāo)的遮擋、外觀的強(qiáng)烈變化等等問題，使得算法無法實(shí)現(xiàn)長時(shí)間的精確跟蹤。除此以外跟蹤時(shí)，由于受到外界因素影響，可能會(huì)有一些相似對(duì)象，從而使得跟蹤出現(xiàn)錯(cuò)誤。
但是我相信經(jīng)過人們對(duì)于機(jī)器視覺領(lǐng)域的不斷研究，未來會(huì)有越來越多的基于深度學(xué)習(xí)的方法去優(yōu)化目標(biāo)跟蹤任務(wù)中出現(xiàn)的一系列情況，比如說采用大規(guī)模視頻數(shù)據(jù)的數(shù)據(jù)集進(jìn)行離線訓(xùn)練等等，在目標(biāo)識(shí)別領(lǐng)域未來也將會(huì)降低環(huán)境對(duì)檢測的影響能更加精準(zhǔn)的檢測各種大小的目標(biāo)，并且最終將兩種技術(shù)更好的結(jié)合在一起應(yīng)用到機(jī)器人技術(shù)應(yīng)用的各個(gè)方面。
來源：www.chinaai.org.cn 關(guān)注微信公眾號(hào)人工智能技術(shù)與咨詢了解更多！
展開 216 基于matlab的機(jī)動(dòng)目標(biāo)跟蹤濾波方法 ￥25.5
基于matlab的機(jī)動(dòng)目標(biāo)跟蹤濾波方法，勻加速模型（CA）、多模型有交互式多模型（IMM）、擴(kuò)展卡爾曼濾波（EKF）、不敏卡爾曼濾波（UKF）進(jìn)行跟蹤濾波。程序已調(diào)通，可直接運(yùn)行。
187基于matlab的彈道目標(biāo)跟蹤濾波方法 ￥19.89
基于matlab的彈道目標(biāo)跟蹤濾波方法，擴(kuò)展卡爾曼濾波（extended Kalman filter, EKF）、轉(zhuǎn)換測量卡爾曼濾波（conversion measurement Kalman filter, CMKF）跟蹤濾波，得到距離、方位角、俯仰角誤差結(jié)果。程序已調(diào)通，可直接運(yùn)行。
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(duì)深度學(xué)習(xí)算法在多目標(biāo)跟蹤中的實(shí)時(shí)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(duì)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(jì)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(gè)領(lǐng)域, 具有一定的應(yīng)用價(jià)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(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, 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(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(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 
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(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。
基于立體視覺的自動(dòng)駕駛?cè)S目標(biāo)檢測，精度可媲美激光雷達(dá)！
來源 |
AI修煉之路
介紹
三維目標(biāo)檢測是自動(dòng)駕駛和虛擬現(xiàn)實(shí)中重要的場景理解任務(wù)。考慮到激光雷達(dá)成本昂貴，本文提出一個(gè)基于立體視覺的3D目標(biāo)檢測方法。針對(duì)目標(biāo)深度估計(jì)是影響三維目標(biāo)檢測性能的關(guān)鍵因素，提出了一種基于「實(shí)例深度感知」、「視差自適應(yīng)」和「匹配代價(jià)調(diào)整」的三維包圍盒中心深度預(yù)測模塊。此外，我們的模型是一個(gè)「端到端」的學(xué)習(xí)框架，不需要多個(gè)階段或后處理算法。我們?cè)贙ITTI基準(zhǔn)上進(jìn)行了詳細(xì)的實(shí)驗(yàn)，與現(xiàn)有的基于圖像的方法相比，取得了顯著的改進(jìn)。
代碼開源：https://github.com/swords123/IDA-3D
一、引言
在本工作中，我們提出了一種基于立體視覺的三維目標(biāo)檢測方法，該方法在訓(xùn)練過程中不依賴于激光雷達(dá)數(shù)據(jù)作為輸入或監(jiān)督，而只使用帶有相應(yīng)標(biāo)注的三維邊界盒的RGB圖像作為訓(xùn)練數(shù)據(jù)。
首先利用立體區(qū)域提議網(wǎng)絡(luò)(RPN)從背景中提取目標(biāo)，消除其對(duì)三維目標(biāo)檢測的干擾。由于對(duì)象實(shí)例的深度估計(jì)是影響三維對(duì)象檢測性能的關(guān)鍵因素，因此我們?cè)O(shè)計(jì)了一個(gè)獨(dú)立的 「實(shí)例深度感知(IDA)」 模塊來預(yù)測對(duì)象三維邊界盒的中心深度。
不像以前基于立體的方法計(jì)算圖像之間每個(gè)像素的對(duì)應(yīng)關(guān)系，我們測量每個(gè)實(shí)例的對(duì)應(yīng)關(guān)系，把更多關(guān)注放在對(duì)象的全局空間信息。
為了減小對(duì)遠(yuǎn)處目標(biāo)深度估計(jì)的誤差，我們根據(jù)目標(biāo)的位置「自適應(yīng)地調(diào)整代價(jià)體中的視差等級(jí)的范圍」，并將視差等級(jí)的均勻量化轉(zhuǎn)換為非均勻量化。「匹配代價(jià)也被重新加權(quán)」，通過懲罰對(duì)對(duì)象實(shí)例不是唯一的深度級(jí)別，并提升具有高概率的深度級(jí)別，從而使深度估計(jì)更具鑒別性。所提出的體系結(jié)構(gòu)的概述如圖1所示。
展開 214基于matlab的交互多模算法（IMM）機(jī)動(dòng)目標(biāo)跟蹤算法 ￥25.5
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。
2-12 基于CV模型卡爾曼濾波、CT模型卡爾曼濾波、IMM模型濾波的目標(biāo)跟蹤 ￥15.9
基于CV模型卡爾曼濾波、CT模型卡爾曼濾波、IMM模型濾波的目標(biāo)跟蹤。輸出跟蹤軌跡及其誤差。程序已調(diào)通，可直接運(yùn)行。
