soldatJiang的博客

跟踪算法分类ST0（短时跟踪器）：每帧输出位置，不检测遮挡ST1（保守更新短时跟踪器）：每帧输出位置，依据跟踪置信度判别机制更新目标模型LT0（伪长时跟踪器）：确定目标可见时才输出位置，有检测跟踪失败的机制，但没有显式实现目标重检测LT1（带有重检测的长时跟踪器）：确定目标可见时才输出位置，有检测跟踪失败的机制，显式实现目标重检测长时跟踪评价指标已知分类阈值τθ\tau_{\theta...

写论文对比试验需要在Temple Color 128数据集(http://www.dabi.temple.edu/~hbling/data/TColor-128/TColor-128.html)上跑，但其标注与OTB测评工具箱有所差别。OTB工具箱所需的属性和跟踪框标注格式是这样的而Temple Color 128提供的标注格式是这样的编写脚本，轻松转换import osimport...

论文地址看BACF论文中的公式，有很多地方的推导感觉不对劲，推导出的结果也和代码不一致，自己又推导了一遍，得到了与代码一致的推导。损失函数E(h)=12∑j=1T∣∣y(j)−∑k=1KhkPTxk[∇τj]∣∣22+λ2∣∣hk∣∣22E(\mathbf{h})=\frac 12\sum_{j=1}^T ||\mathbf{y}(j)-\sum_{k=1}^K\mathbf{h}_k\m...

读研期间做相关滤波视觉跟踪，读了很多相关滤波的论文，但是由于当年矩阵论和数字信号处理基础太菜，一直没搞明白相关滤波的闭合解是怎么推出来的，各种论文里面的推导都是直接给个结果，过程不详。最近终于搞明白了推导的过程和原理，在这里记录一下。我觉得应该是全网最清晰最易懂的相关滤波推导了。如果不加说明，以下粗体字x\mathbf{x}x代表列向量，加帽x^\hat{\mathbf{x}}x^代表x\mat...

为了更好地理解相关滤波跟踪，同时练练编程，用python写了一个简单的相关滤波，可以从摄像头图像中用鼠标圈定目标进行跟踪，目前仅用了灰度特征，大概能跟上目标，效果一般。# -*- coding: utf-8 -*-import numpy as npimport cv2def gaussian_label(sz, sigma): w, h = sz xs, ys = ...

gather将矩阵从GPU迁移回CPU，常见于基于深度学习的跟踪算法实现中。(未完待续。。。)

论文链接: linkMotivation长时跟踪中的主要问题在于，在当前帧跟踪结果不可靠时，如何重检测出一个更好地跟踪结果。大部分长时跟踪算法没有检查重检测结果的可靠程度，会引起重检测器的污染。如何确定跟踪结果可靠程度以防止更新造成模型污染，当跟踪结果不可靠时如何重检测目标是长时跟踪将要解决的问题。方法基于Staple，综合相关滤波和颜色响应两种响应判断跟踪结果可靠性对跟踪结果...