目标跟踪教程

相关滤波：

开山之作-KCF

封山之作-ECO-HC(深度特征与HOG特征) 兼顾了速度和精度，速度50fps,精度较高的同时速度较快。

粒子采样

划窗采样-速度慢

时域卷积-》频域相乘——》加速

CSK:单通道灰度特征，300fps，避免求逆，加快速度

CN:Color Names特征替换原来的灰度特征，11个特征PCA降维-》2通道，进一步提高精度，速度有所下降

KCF:CSK基础上将原来的灰度特征扩展为31维的fHOG特征，相比与灰度特征、CN特征，目标表达与精度上、更好地反映纹理与形状，引入核函数技巧，将原始不可分的空间，映射到高维可分空间，增加样本的可分性，依然可以转换到频域计算。高斯核函数，速度要慢一些

DCF:线性核函数

要解决的问题：

1.尺度估计：DSST（训练尺度分类器和位置分类器）、SAMF(多尺度遍历，两者合在一起)

2.边界效应：

真实样本与假样本

 

 

 目标跟踪数据集和工具

OTB2015:

        Precision(预测框与真值框中心距离)、Success Rate (重叠率IOU)、属性图

VOT:

        Accuracy

        Robustness

        EAO

Lasot:

GOT10k:60多G

TrackingNet:1T多

4个检测数据集

 训练时生成样本对进行训练。

NFS（高帧率）、TColor128不常用

UAV123、DTB70、UAVDT、VisDrone2019（天津大学） 无人机跟踪

工具箱：pysot-toolit、got10k-toolkit、VOT2016-toolkit、VOT2018-toolkit

刻意地去培养一种习惯

SiamFC:

SIAMFC文件夹：

运行：

• bin/create_dataset.py 创建数据集 my_train.py单步调试（F5） my_test.py 打断点、F5运行  bin/my_eval.py 评估 调试模式、读懂代码
• datasets:存放测试集
• data:存放训练数据
• got10k:测评的工具箱
• models:存放训练的模型、模型配置、预训练的模型
• reports:报告结果json,performance.json（precision_score、success_score）
• results:txt文件，跟踪结果的框，拷贝到pysot-toolkit进行评估
• siamfc:模型文件 alexnet.py特征提取网络 config.py配置文件 custom_transforms.py数据增强 dataset.py数据集 tracker.py跟踪器 train.py训练文件（my_train调用） utils.py

SiamFC-GOT: got10k版本代码

bin: my_eval.py my_test.py my_train.py

siamfc:backbones.py bbox_util.py config.py datasets.py heads.py losses.py models.py network.py整个网络(features、head) tracker.py transforms.py utils.py辅助函数

prec_score、succ_score 

batch_size:8

bin/cmd_test.sh   ->运行：进入当前项目路径，python ./bin/xxx.py              sh ./bin/xxx.sh

alt+ctrl+n:运行文件 alt+ctrl+m:停止运行

siamfc没有做回归，需要多尺度测试、破坏模型优雅性

siamrpn:参考fast-rcnn、ssd、yolo，回归目标位置，省掉多尺度测试，提升算法性能的同时提高算法的跟踪速度。

1.大量的训练数据youtube、vid，100多个G

2.rpn结构对目标的尺度和比例跟得好

以上两点导致跟踪效果提升

应用了一些数据增强方法 

python -V

python3+tab