mil跟踪算法matlab,几种目标跟踪算法性能比较

这是我自己的跟踪算法

%%******************************************* 实验设置 *********************************************%%

clc;

clear all;

%%******Change 'title' to choose the sequence you wish to run******%%

%title = 'animal';

% title = 'board';

% title = 'car11';

%title = 'caviar';

title = 'faceocc2';

% title = 'girl';

% title = 'jumping';

% title = 'panda';

% title = 'shaking';

% title = 'singer1';

% title = 'stone';

%*************************************************************

addpath('./Affine Sample Functions');

trackparam;                                                       % 初始位置和仿射参数

opt.tmplsize = [32 32];                                           % [高度 宽度]      opt:初始参数

sz = opt.tmplsize;                                                %sz: 跟踪框的大小

n_sample = opt.numsample;

param0 = [p(1), p(2), p(3)/sz(2), p(5), p(4)/p(3), 0];            %param: 仿射参数             param0: 最初的仿射参数

p0 = p(4)/p(3);                                                  %p0:aspect ratio in the first frame？在第一帧中的从横比？

param0 = affparam2mat(param0);                                    %转换仿射参数？((2x3矩阵))

param = [];

param.est = param0';

%%****************** 为判别分类器获得获得正负模板*******************%%

num_p = 50;                                                         % 正模板数量

num_n = 200;                                                        % 负模板数量

[A_poso A_nego] = affineTrainG(dataPath, sz, opt, param, num_p, num_n, forMat, p0);

A_pos = A_poso;

A_neg = A_nego;

patchsize = [6 6];                                                  % obtain the dictionary for the SGM？为生成模型获得字典？

patchnum(1) = length(patchsize(1)/2 : 2: (sz(1)-patchsize(1)/2));

patchnum(2) = length(patchsize(2)/2 : 2: (sz(2)-patchsize(2)/2));

Fisize = 50;

[Fio patcho] = affineTrainL(dataPath, param0, opt, patchsize, patchnum, Fisize, forMat);

Fi = Fio;

temp = importdata([dataPath 'datainfo.txt']);                      %DataInfo: 宽度, 高度, 帧数

num = temp(3);                                                      %总的帧数

paramSR.lambda2 = 0;                                                       %？optional, elastic-net parameter, 0 by default可选的、弹性网络、默认为0

paramSR.mode = 2;                                                        %？(optional, adds positivity constraints on the coefficients, , by default: 2)

alpha_p = zeros(Fisize, prod(patchnum), num);                            %输出系数？

result = zeros(num, 6);

%%******************************************* 跟踪 *********************************************%%

for f = 1:num

f                                                           %框架比

img_color = imread([dataPath int2str(f) forMat]);         %载入第一帧

if size(img_color,3)==3

img        = rgb2gray(img_color);                   %将彩色图片转为灰色图片

else

img        = img_color;                            %灰色图片

end

%%----------------- 基于稀疏的判别分类器 (SDC) ----------------%%

gamma = 0.4;

[wimgs Y param] = affineSample(double(img), sz, opt, param);    %  draw N candidates with particle filter

%得出N个粒子滤波的候选目标

YY = normVector(Y);                                             % 归一化

AA_pos = normVector(A_pos);                                     %归一化正模板

AA_neg = normVector(A_neg);                                     %归一化负模板

%%-----------------% 特征选择  ----------------%%

P = selectFeature(AA_pos, AA_neg, paramSR);                    %     获得投影矩阵

YYY = P'*YY;                                                    % project the original feature space to the selected feature space

%把原特征空间投影到选择特征空间

AAA_pos = P'*AA_pos;

AAA_neg = P'*AA_neg;

paramSR.L = length(YYY(:,1));                                   % represent each candidate with training template set代表每一个候选训练模板集

%(param.L ：optional, maximum number of elements of each decomposition)

paramSR.lambda = 0.01;

beta = mexLasso(YYY, [AAA_pos AAA_neg], paramSR);

beta = full(beta);

rec_f = sum((YYY - AAA_pos*beta(1:size(AAA_pos,2),:)).^2);      % the confidence value of each candidate

rec_b = sum((YYY - AAA_neg*beta(size(AAA_pos,2)+1:end,:)).^2);

con = exp(-rec_f/gamma)./exp(-rec_b/gamma);

%%----------------- Collaborative Model ----------------%%

likelihood = con;%似然函数

[v_max,id_max] = max(likelihood);

param.est = affparam2mat(param.param(:,id_max));

result(f,:) = param.est';

displayResult_sf;                                               % 显示在每一帧的跟踪结果

%%----------------- 更新方案 ----------------%%

upRate = 6;                                                       %每隔6帧更新负模板集

if rem(f, upRate)==0

[A_neg] = updateDic(dataPath, sz, opt, param, num_n, forMat, p0, f);

end

end

%%******************************************* 保存并显示跟踪结果 *********************************************%%

save([ title '.mat'], 'result');

要怎么才能把这个算法和IVT/IPCA Tracker、L1   Tracker、PN   Tracker、VTD  Tracker、MIL  Tracker、Frag Tracker进行比较显示出这样的效果

Girl_rs_0062.jpg (37.58 KB, 下载次数: 8)

2015-5-22 22:11 上传