sort跟踪问答

最新推荐文章于 2023-03-07 11:29:38 发布
最新推荐文章于 2023-03-07 11:29:38 发布
阅读量190 收藏
点赞数
分类专栏： 计算机视觉 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/northeastsqure/article/details/112603682
版权

https://github.com/abewley/sort/blob/bce9f0d1fc8fb5f45bf7084130248561a3d42f31/sort.py#L104

https://arxiv.org/pdf/1602.00763.pdf

https://github.com/rlabbe/Kalman-and-Bayesian-Filters-in-Python

https://nbviewer.jupyter.org/github/rlabbe/Kalman-and-Bayesian-Filters-in-Python/blob/master/08-Designing-Kalman-Filters.ipynb

https://www.bilibili.com/video/BV1hC4y1b7K7?from=search&seid=12896740732038936891 系列

https://zh.wikipedia.org/wiki/%E5%8D%A1%E5%B0%94%E6%9B%BC%E6%BB%A4%E6%B3%A2

对于这种数学知识、公式描述比较多的代码，要搞懂他的公式，和代码，不要去推导公式，那样太花时间，而且没必要，而且过段时间就忘了。明白公式的意思，明白代码怎么和公式对应，怎么调用代码函数，就可以了。

1.KalmanBoxTracker初始化函数中如下代码如何解释？

    self.kf = KalmanFilter(dim_x=7, dim_z=4) 
    self.kf.F = np.array([[1,0,0,0,1,0,0],[0,1,0,0,0,1,0],[0,0,1,0,0,0,1],[0,0,0,1,0,0,0],  [0,0,0,0,1,0,0],[0,0,0,0,0,1,0],[0,0,0,0,0,0,1]])
    self.kf.H = np.array([[1,0,0,0,0,0,0],[0,1,0,0,0,0,0],[0,0,1,0,0,0,0],[0,0,0,1,0,0,0]])

    self.kf.R[2:,2:] *= 10.
    self.kf.P[4:,4:] *= 1000. #give high uncertainty to the unobservable initial velocities
    self.kf.P *= 10.
    self.kf.Q[-1,-1] *= 0.01
    self.kf.Q[4:,4:] *= 0.01

    self.kf.x[:4] = convert_bbox_to_z(bbox)

状态空间方程 （来自bilbili视频）

状态转移方程    x_k=Fx_{k-1}+Bu_{k-1}+w_{k-1}      w\sim ~P(0,Q)  这里离散形式，如果是连续形式，那么F变为A  sort里面B=0

观测、测量 方程 z_k=Hx_k+v_k    v\sim P(0,R)

先验估计   \hat{x}^-_k=A\hat{x}_{k-1}+Bu_{k-1}

先验误差协方差  P^-_k=FP_{k-1}F^T+Q

卡尔曼增益 K_k=\frac{P^-_kH^T}{HP^-_kH^T+R}

后验估计  \hat{x}_k=\hat{x}^-_k+k_k(z_k-H\hat{x}_k^-)

更新误差协方差  P_k=(I-K_kH)P^-_k

    #创建KalmanFilter类，设置隐状态x 是7维，设置观测变量z是4维
    self.kf = KalmanFilter(dim_x=7, dim_z=4) 
    #初始设置x_center位置为 上一时刻位置x_center加上x_center速度乘1 , y_center,面积s同理，比例r、x_center变化速度、y_center变化速度、s面积变化速度 直接等赋值，即不变
    self.kf.F = np.array([[1,0,0,0,1,0,0],[0,1,0,0,0,1,0],[0,0,1,0,0,0,1],[0,0,0,1,0,0,0],  [0,0,0,0,1,0,0],[0,0,0,0,0,1,0],[0,0,0,0,0,0,1]])
    #初始观测矩阵，x_center,y_center, 面积size, 比例r 直接等于
    self.kf.H = np.array([[1,0,0,0,0,0,0],[0,1,0,0,0,0,0],[0,0,1,0,0,0,0],[0,0,0,1,0,0,0]])
    #观测协方差矩阵R,是观测变量x_center, y_center, 面积s, 比例r 的协方差矩阵 
    self.kf.R[2:,2:] *= 10.
    #P是隐状态x向量的协方差矩阵，对x_center变化速度、y_center变化速度、s面积变化速度 设置更高的相关性
    self.kf.P[4:,4:] *= 1000. #give high uncertainty to the unobservable initial velocities
    #隐状态协方差矩阵，整体乘10
    self.kf.P *= 10.
    #每个隐状态过程噪音，的协方差Q， 认为面积变化噪音的方差很小
    self.kf.Q[-1,-1] *= 0.01
    #认为x_center变化速度、y_center变化速度、s面积变化速度 的噪音，相关性很小
    self.kf.Q[4:,4:] *= 0.01
    #设置隐状态，x_center, y_center, 面积s, 宽高比例r  初始值。而x_center变化速度、y_center变化速度、s面积变化速度 初始值为0
    self.kf.x[:4] = convert_bbox_to_z(bbox)

 

northeastsqure
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
『大模型笔记』《Pytorch实用教程》（第二版）
AI新视界
07-07 278
时隔5年，历时4年，耗时2年的《Pytorch实用教程》第二版完成了。在第一版的精华之上，增加了丰富详实的深度学习应用案例和推理部署框架，使本书更系统性的涵盖深度学习工程师所涉及的知识面。如人工智能技术发展一浪接一浪，《Pytorch实用教程》第二版不是结束，而是开始，开启新的技术、新的领域、新的篇章，希望未来能继续与大家一起在人工智能技术里学习、进步。
大规模语言模型从理论到实践 指令数据的构建
最新发布
禅与计算机程序设计艺术
05-29 222
大规模语言模型从理论到实践 指令数据的构建 作者：禅与计算机程序设计艺术 1. 背景介绍 1.1 大规模语言模型的发展历程 1.1.1 早期的统计语言模型
目标估计模型-卡尔曼滤波
あずにゃん梓喵的博客
07-20 3514
日萌社 人工智能AI：Keras PyTorch MXNet TensorFlow PaddlePaddle 深度学习实战（不定时更新） 4.4. 目标估计模型-卡尔曼滤波 学习目标 了解卡尔曼滤波器中的状态变量和观测输入 了解目标框的状态更新向量 了解预测边界框的估计 在这里我们主要完成卡尔曼滤波器进行跟踪的相关内容的实现。 初始化：卡尔曼滤波器的状态变量和观测输入 更新状...
MOT学习 - SORT算法
tsq292978891的博客
05-09 1170
paper：https://arxiv.org/abs/1602.00763 code：https://github.com/open-mmlab/mmtracking https://github.com/abewley/sort 摘要 SORT：Simple Online And Realtime Tracking，方法介绍 online（只考虑利用利用历史帧信息）+ realtime（很快，260HZ） 方法是对卡尔曼滤波+匈牙利匹配进行组合 此外，提到了检测对于MOT的重要性，简单换一个检测器，
SORT详解： 代码解读
计算机视觉
04-22 7019
论文翻译： SORT:https://blog.csdn.net/zjc910997316/article/details/83962462 DEEPSORT:https://blog.csdn.net/zjc910997316/article/details/83721573 代码： SORT代码:https://github.com/abewley/sort (sort原作者abew...
图说卡尔曼滤波（C++实现）
A_L_A_N
08-04 1万+
什么是卡尔曼滤波？ 对于这个滤波器，我们几乎可以下这么一个定论：只要是存在不确定信息的动态系统，卡尔曼滤波就可以对系统下一步要做什么做出有根据的推测。即便有噪声信息干扰，卡尔曼滤波通常也能很好的弄清楚究竟发生了什么，找出现象间不易察觉的相关性。 因此卡尔曼滤波非常适合不断变化的系统，它的优点还有内存占用较小（只需保留前一个状态）、速度快，是实时问题和嵌入式系统的理想选择。 如果你曾经Goog...
SORT 多目标跟踪算法笔记
热门推荐
yiran103的专栏
04-21 3万+
sort 是一种简单的在线实时多目标跟踪算法。文章要点为： 以 IoU 作为前后帧间目标关系度量指标； 利用卡尔曼滤波器预测当前位置； 通过匈牙利算法关联检测框到目标； 应用试探期甄别虚检； 使用 Faster R-CNN，证明检测好跟踪可以很简单。 技术方案 所提方法以检测作为关键组件，传播目标状态到未来帧中，将当前检测与现有目标相关联，并管理跟踪目标的生命周期。 Detection 为从 ...
爬虫实战之分布式爬取知乎问答数据
sinat_40557813的博客
06-30 8150
分布式爬取知乎 一、环境 window7 scrapy pycharm redis other PC MySQL 二、简介    之所以选择爬取知乎，一是很多人都在爬，那么一定有它爬取价值的地方；二呢分析后才发现，知乎是一个模拟登录、信息解析清洗、反反爬等较为经典的练习素材；我们在这次爬取中将会涉及到IP代理、随机更换UserAgent、scrapy-redis分布式。 数据维度...
JavaSE笔试问答题
m0_46096880的博客
07-20 6864
JavaSE笔试问答题面经 1.当Class实现Cloneable，Comparable接口时，需要实现哪些方法？这些方法的作用分别是什么？ 答:int compareTo(T o) 比较此对象与指定对象的顺序。如果该对象小于、等于或大于指定对象，则分别返回负整数、零或正整数。 强烈推荐 (x.compareTo(y)==0) == (x.equals(y)) 这种做法，但不是 严格要求这样做。一般来说，任何实现 Comparable 接口和违背此条件的类都应该清楚地指出这一事实。推荐如此阐述：“注意
70个JAVA问答.txt
08-30
可以通过`request.getHeader("referer")`来获取请求页面的URL，这在跟踪用户来源或进行日志记录时非常有用。 ### 7. 设置页面过期时间 要使页面在浏览器中不过期，可以使用`response.setHeader("Expires","0")`来...
动手学无人驾驶（3）：基于激光雷达3D多目标追踪
10点43的博客
12-22 6542
上一篇博客介绍了无人驾驶中的车辆检测（YOLO模型），该检测是基于摄像头（Camera）进行的2D目标检测。在无人驾驶感知传感器中还有另一种重要的传感器：激光雷达。今天就介绍一篇无人驾驶中基于激光雷达的3D多目标追踪论文，使用的数据集是KITTI数据集，目标检测算法是PointRCNN。该3D多目标追踪系统不需要使用GPU且取得了最快处理速度（214.7FPS）。 论文地址：A Baseline...
目标跟踪中的卡尔曼滤波和匈牙利算法解读。
Bismarckczy的博客
03-07 1682
SORT跟踪算法
智慧交通day02-车流量检测实现06：目标估计模型-卡尔曼滤波
小李的研究生学习日记
11-11 2536
在这里我们主要完成卡尔曼滤波器进行跟踪的相关内容的实现。 初始化：卡尔曼滤波器的状态变量和观测输入 更新状态变量 根据状态变量预测目标的边界框 初始化： 状态量x的设定是一个七维向量： 分别表示目标中心位置的x,y坐标，面积s和当前目标框的纵横比，最后三个则是横向，纵向，面积的变化速率，其中速度部分初始化为0，其他根据观测进行输入。 初始化卡尔曼滤波器参数，7个状态变量和4个观测输入，运动形式和转换矩阵的确定都是基于匀速运动模型，状态转移矩阵F根据运动学公式确定： 量测矩.
SIMPLE ONLINE AND REALTIME TRACKING （SORT）论文阅读笔记
c20081052的专栏
01-21 5436
论文地址：https://arxiv.org/abs/1602.00763 论文题目：SIMPLE ONLINE AND REALTIME TRACKING github地址：https://github.com/abewley/sort 摘要 本文探讨了一种实用的多 目标跟踪方法，旨在有效地联合 目标做在线和实时地应用。为此，检测质量被认为是影响跟踪性能的关键因素，其中改变检测器可以改善...
目标跟踪-------卡尔曼滤波
越努力，越幸运
11-03 4504
在MOT中需要利用卡尔曼滤波预测bbox的位置，下面记录一些个人理解 卡尔曼滤波的讲解： 国外大神写的教程：https://zhuanlan.zhihu.com/p/39912633 云羽落分享的教学视频：https://www.zhihu.com/question/23971601/answer/839664224 卡尔曼滤波器是一种优化估计算法 数据源在噪声的影响下，使用卡尔曼滤...
基于深度学习的目标跟踪sort与deep-sort
XSYYMY的博客
08-16 2万+
SORT： 论文地址：http://arxiv.org/pdf/1602.00763.pdf 代码地址：https://github.com/abewley/sort deep-SORT： 论文地址：https://arxiv.org/pdf/1703.07402.pdf 代码链接：https://github.com/nwojke/deep_sort   SORT篇 文章方法 ...
SORT 多目标跟踪总结
西北工业大学的博客
02-22 2597
论文原理： https://blog.csdn.net/cdknight_happy/article/details/79464300 https://www.cnblogs.com/yanwei-li/p/8643336.html https://blog.csdn.net/yuhq3/article/details/78857614 https://blog.csdn.net/xiao__ru...
开源项目（9-0）综述--基于深度学习的目标跟踪sort与deep-sort
a83025273的博客
07-13 394
基于深度学习的目标跟踪sort与deep-sort https://github.com/Ewenwan/MVision/tree/master/3D_Object_Detection/Object_Tracking 1 论文和源码地址 SORT： 论文地址：http://arxiv.org/pdf/1602.00763.pdf python代码地址：h...
SORT多目标跟踪论文译文
weixin_42907473的博客
12-27 1532
摘要 本文探讨了一种实用的多对象跟踪方法，其主要重点是为在线和实时应用有效地关联对象。 为此，检测质量被认为是影响跟踪性能的关键因素，更换检测器可以使跟踪性能提高多达18.9％。 尽管仅对跟踪组件使用了诸如卡尔曼过滤器和匈牙利算法之类的熟悉技术的基本组合，但该方法仍可达到与最新在线跟踪器相当的精度。 此外，由于我们跟踪方法的简便性，该跟踪器以260 Hz的速率进行更新，比其他最新的跟踪器快20倍以...
sort 跟踪 c++
08-22
sort 跟踪 c 是指通过 sort 命令对文件或数据进行排序，并将排序结果输出到标准输出或指定文件中。在命令行中，我们可以使用 sort 命令来对文本文件的内容进行排序，也可以通过管道符将其他命令的输出结果作为 sort ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值