语义分割后MOT多目标追踪的方法

最新推荐文章于 2024-07-01 00:28:30 发布

一只MD野生NLP菜Go

最新推荐文章于 2024-07-01 00:28:30 发布

阅读量392

点赞数

文章标签： python 开发语言计算机视觉目标跟踪

本文链接：https://blog.csdn.net/m0_57593979/article/details/125734988

版权

针对荧光细胞的实时追踪挑战，本文介绍了一种方法：首先进行语义分割，接着使用反向卡尔曼滤波追踪，通过匈牙利算法匹配，最后应用卡尔曼滤波更新。在匈牙利算法中，可以加入多种特征（如重心坐标、面积、周长、IOU等）计算代价矩阵。虽然马氏距离在某些情况下可选，但根据具体需求决定是否使用。文章提供了基本的函数实现，包括匈牙利匹配算法。

摘要由CSDN通过智能技术生成

对于荧光细胞来说实时追踪是很困难的，

光信号非常弱的缘故

所以先进行语义分割，然后对时间序列进行倒序追踪

顺序是这样的

1. 语义分割

2. 反向卡尔曼滤波追踪 predict、

3. 匈牙利算法match

4.卡尔曼滤波update 进入下一帧

如图所示（画的很清晰明确了哈）

在匈牙利算法的时候计算cost matrix 可以把一切乱七八糟想加的东西加进去

我这里加入了重心坐标，面积，周长，IOU，总之感觉有关的连续变量都可以加进去

，注意权重赋值就行。

马氏距离的问题和导师讨论了一下，感觉我们的情况用不用都可以

根据需求加吧

基本的function在这里：

# kalman

"""
Kalmanfilter
输入：一张图的信息，一个细胞序号
input one frame, one cell number each time
use new frame for iteration
"""

class Kalmanfilter(object):
    
    def __init__(self, preds_info_one_frame,cell_num,Z_Null=False): #输入一个图的信息，一个细胞序号
        """
        timelist for later use
        """
        self.preds_info = preds_info_one_frame  
        self.cell_num = cell_num  
        
        self.skipped_frames = 0  # number of frames skipped undetected
        self.trace = []  # trace path
        self.cx=int(self.preds_info[self.cell_num][3][0]) # centroid x
        self.cy=int(self.preds_info[self.cell_num][3][1]) # centroid y
        self.area=int(self.preds_info[self.cell_num][1])  # area 面积
        self.hh = self.preds_info[self.cell_num][7].shape[0]
        self.ww = self.preds_info[self.cell_nu