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