CN103927546A - 一种计算目标跟踪精度的方法 - Google Patents
一种计算目标跟踪精度的方法 Download PDFInfo
- Publication number
- CN103927546A CN103927546A CN201410119799.6A CN201410119799A CN103927546A CN 103927546 A CN103927546 A CN 103927546A CN 201410119799 A CN201410119799 A CN 201410119799A CN 103927546 A CN103927546 A CN 103927546A
- Authority
- CN
- China
- Prior art keywords
- target
- iteration
- error
- tracking
- tracking accuracy
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Abstract
一种计算目标跟踪精度的方法涉及电子学技术领域,该方法是:1)将目标跟踪结果y视为原始目标模型A的一种一阶线性回归y=Ax+n+s,其中x为系数,n为高斯误差,s为拉普拉斯误差,求取一阶线性回归y=Ax+n+s中的A;2)计算距离D:采用迭代的方式进行求解,给定则再用计算得到的则如此反复迭代直到达到最大迭代次数或者得到的与上次迭代计算得到的值的差小于精度阈值则停止迭代;3)计算目标跟踪精度本发明的方法适用于任何目标跟踪方法或装置中;为更新目标以及对跟踪结果的准确度等分析提供很好的依据,使目标跟踪更加稳定。
Description
技术领域
本发明涉及电子学技术领域,具体涉及一种计算目标跟踪精度的方法。
背景技术
目标跟踪是一项融合图像处理、模式识别、概率论及随机过程、泛函及优化和偏微分方程等多学科的复杂课题,其一直是计算机视觉领域的重要研究课题,被广泛应用在智能人机交互、医疗诊断、安防监控、汽车智能交通等方面。
现有的目标跟踪方法很多,如经典的相关跟踪算法、基于不变性特征(SIFT)匹配的目标跟踪方法、基于均值漂移理论的目标跟踪方法、基于粒子滤波的目标跟踪方法等等,这些方法都是关注在一些特定的、或者是复杂的背景下对特定目标能够跟踪上即完成任务,而对跟踪的精度计算通常是在试验中,对待跟踪处理的视频进行人工标定,然后计算跟踪结果与标定的结果的重叠率来作为跟踪精度,这属于后处理。
发明内容
本发明的目的是提供一种计算目标跟踪精度的方法,其不需要事后进行手工标定再计算精度,而是直接通过在线计算的方式实时得到当前跟踪结果的精度,使用者可根据需要利用跟踪精度对跟踪结果进行在线评估,从而对跟踪器的跟踪结果的质量有更好的了解,同时跟踪器也可以根据得到的跟踪精度来进行跟踪器自身的更新和学习。
为了实现上述目的,本发明的技术方案如下:
一种计算目标跟踪精度的方法包括如下步骤:
步骤1、将目标跟踪结果y视为原始目标模型A的一种一阶线性回归y=Ax+n+s,其中x为系数,n为高斯误差,s为拉普拉斯误差,对选定的目标进行建模表示,即求取一阶线性回归y=Ax+n+s中的A;
步骤2、计算跟踪结果到原始目标模型的距离D:采用迭代的方式进行求解,给定拉普拉斯误差估计值则系数x的估计值再用计算得到的求得 其中, σN和σL分别为高斯误差和拉普拉斯误差的方差,如此反复迭代直到达到最大迭代次数或者得到的与上次迭代计算得到的值的差小于精度阈值则停止迭代;
步骤3、计算目标跟踪精度
本发明的有益效果是:该方法计算出的跟踪精度为更新目标以及对跟踪结果的准确度等分析提供很好的依据,从而避免将变化的背景以及遮挡物更新到目标模型中,使目标跟踪更加稳定,适用于任何带有学习、更新模块的智能目标跟踪方法或系统中;也可以以此来修正目标跟踪结果,并为轨迹规划等提供有效信息,对实现长期稳定的目标跟踪有重要的理论意义和应用价值。
附图说明
图1为本发明计算目标跟踪精度的方法流程图。
图2为采用本发明方法的实验结果图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明作进一步的详细说明。
图1示出了本发明计算目标跟踪精度的方法流程图。本发明方法可以用于评估任何目标跟踪的精度,可加载在任何目标跟踪方法或者装置中,进行在线评估跟踪精度。
本发明将目标跟踪结果y视为原始目标模型A的一种一阶线性回归y=Ax+e,其中x为系数,e为残差即噪声,A为原始目标模型,那么对于系数x的求解问题变为最大似然估计问题,当噪声服从高斯分布,那么最大似然估计问题变为最小平方误差问题,此时表示二范数,即:使均方误差最小的系数x,该问题的解为当噪声服从拉普拉斯分布时,x的求解问题变为最小绝对偏分问题,此时表示一范数,而该一范数的直接求解很难。高斯分布对外点和噪声敏感而拉普拉斯分布对噪声不敏感,那么可将本回归中的噪声看作是高斯分布和拉普拉斯分布的联合,一阶线性回归变为y=Ax+n+s,那么对于x的求解问题则变为 使 最小的x,定义为目标跟踪结果到原始目标模型的距离,该距离反比于目标跟踪精度。
那么结合上面的说明及图1的流程图,本发明计算目标跟踪精度的方法包括:
步骤1、计算初始选定的目标的模型表示,即:对选定的目标进行表示,求取一阶线性回归y=Ax+n+s中的A;
步骤2、计算目标跟踪结果到原始目标模型的距离D;
步骤3、通过步骤2计算得到的距离D反比于目标跟踪精度,最终得到目标跟踪精度
步骤2计算距离D的同时要计算得出目标跟踪结果与原始目标的系数x以及拉普拉斯误差s,此时对于系数x的求解问题则变为求最小化问题,其中,σN和σL分别为高斯误差和拉普拉斯误差的方差。由于一范数很难直接求解,对于该问题本发明采用迭代的方式进行求解,对于估计的s和x值本发明使用和表示,结合图2,距离D的计算过程如下:
1)设定的初始值,一般设为0向量,Dold=0;
2)给定则
3)再用计算得到的则
4)计算
5)判断是否达到最大迭代次数或者|Dnew-Dold|小于精度阈值θth,如果是,则停止迭代进入下一步,如果否,则Dold=Dnew并返回2);
6)计算得到的Dnew即为本发明所要求得的距离D。
图2为一组实验结果,其中第二行第二列为初始选定的目标,大小为32*32,第二列的其他各行表示为目标跟踪得到的结果,大小同样是32*32,第三列为本发明计算得到的距离D,第四列为计算得到的跟踪精度,从实验结果可以看出,当目标跟踪结果与初始目标越相似,距离越小,精度越高。求得的精度值能够代表目标跟踪结果的精度。
Claims (1)
1.一种计算目标跟踪精度的方法,其特征在于,该方法包括如下步骤:
步骤1、将目标跟踪结果y视为原始目标模型A的一种一阶线性回归y=Ax+n+s,其中x为系数,n为高斯误差,s为拉普拉斯误差,求取一阶线性回归y=Ax+n+s中的A;
步骤2、计算跟踪结果到原始目标模型的距离D:采用迭代的方式进行求解,给定拉普拉斯误差估计值则系数x的估计值再用计算得到的求得 其中, σN为高斯误差的方差,σL为拉普拉斯误差的方差,如此反复迭代直到达到最大迭代次数或者得到的与上次迭代计算得到的值的差小于精度阈值则停止迭代;
步骤3、计算目标跟踪精度
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410119799.6A CN103927546A (zh) | 2014-03-27 | 2014-03-27 | 一种计算目标跟踪精度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410119799.6A CN103927546A (zh) | 2014-03-27 | 2014-03-27 | 一种计算目标跟踪精度的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103927546A true CN103927546A (zh) | 2014-07-16 |
Family
ID=51145762
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410119799.6A Pending CN103927546A (zh) | 2014-03-27 | 2014-03-27 | 一种计算目标跟踪精度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103927546A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110738683A (zh) * | 2018-07-19 | 2020-01-31 | 中移(杭州)信息技术有限公司 | 一种计算机视觉跟踪方法及装置 |
CN111366900A (zh) * | 2020-02-18 | 2020-07-03 | 上海机电工程研究所 | 基于残差统计的跟踪雷达航迹质量评估方法、系统及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011114133A1 (en) * | 2010-03-15 | 2011-09-22 | Bae Systems Plc | Target tracking |
CN103294931A (zh) * | 2013-06-28 | 2013-09-11 | 上海交通大学 | 基于改进的非线性鲁棒滤波算法的系统状态估计方法 |
-
2014
- 2014-03-27 CN CN201410119799.6A patent/CN103927546A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011114133A1 (en) * | 2010-03-15 | 2011-09-22 | Bae Systems Plc | Target tracking |
CN103294931A (zh) * | 2013-06-28 | 2013-09-11 | 上海交通大学 | 基于改进的非线性鲁棒滤波算法的系统状态估计方法 |
Non-Patent Citations (1)
Title |
---|
王栋: ""基于线性表示模型的在线视觉跟踪算法研究"", 《万方》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110738683A (zh) * | 2018-07-19 | 2020-01-31 | 中移(杭州)信息技术有限公司 | 一种计算机视觉跟踪方法及装置 |
CN111366900A (zh) * | 2020-02-18 | 2020-07-03 | 上海机电工程研究所 | 基于残差统计的跟踪雷达航迹质量评估方法、系统及介质 |
CN111366900B (zh) * | 2020-02-18 | 2023-04-28 | 上海机电工程研究所 | 基于残差统计的跟踪雷达航迹质量评估方法、系统及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110244715B (zh) | 一种基于超宽带技术的多移动机器人高精度协同跟踪方法 | |
Luber et al. | Place-dependent people tracking | |
CN103259962B (zh) | 一种目标追踪方法和相关装置 | |
CN104318059B (zh) | 用于非线性高斯系统的目标跟踪方法和跟踪系统 | |
WO2020173105A1 (zh) | 机动目标跟踪方法及装置 | |
CN110232169B (zh) | 基于双向长短时记忆模型和卡尔曼滤波的轨迹去噪方法 | |
CN104156984A (zh) | 一种不均匀杂波环境下多目标跟踪的概率假设密度方法 | |
Valiente et al. | A comparison of EKF and SGD applied to a view-based SLAM approach with omnidirectional images | |
Miyagusuku et al. | Data information fusion from multiple access points for wifi-based self-localization | |
CN105719314A (zh) | 基于单应性估计和扩展卡尔曼滤波的无人机位置估计方法 | |
CN103955950B (zh) | 一种利用关键点特征匹配的图像跟踪方法 | |
CN102063625B (zh) | 一种用于多视角下多目标追踪的改进型粒子滤波方法 | |
CN102663351A (zh) | 基于条件外观模型的人脸特征点自动标定方法 | |
CN104700105A (zh) | 非结构化室外地形全局检测方法 | |
Dezert et al. | Environment perception using grid occupancy estimation with belief functions | |
US11911902B2 (en) | Method for obstacle avoidance in degraded environments of robots based on intrinsic plasticity of SNN | |
CN116052254A (zh) | 基于扩展卡尔曼滤波神经网络的视觉连续情感识别方法 | |
CN104866821A (zh) | 基于机器学习的视频物体跟踪方法 | |
Wang et al. | A KNN based Kalman filter Gaussian process regression | |
CN103927546A (zh) | 一种计算目标跟踪精度的方法 | |
CN103839280A (zh) | 一种基于视觉信息的人体姿态跟踪方法 | |
CN111711432B (zh) | 一种基于ukf和pf混合滤波的目标跟踪算法 | |
CN111798494A (zh) | 广义相关熵准则下的机动目标鲁棒跟踪方法 | |
Cao et al. | Multi-feature fusion tracking based on a new particle filter | |
CN103927716A (zh) | 一种计算目标跟踪过程中目标形变或遮挡程度的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140716 |
|
WD01 | Invention patent application deemed withdrawn after publication |