CN108364301A - 基于跨时重叠率的视觉跟踪算法稳定性评估方法及装置 - Google Patents
基于跨时重叠率的视觉跟踪算法稳定性评估方法及装置 Download PDFInfo
- Publication number
- CN108364301A CN108364301A CN201810144033.1A CN201810144033A CN108364301A CN 108364301 A CN108364301 A CN 108364301A CN 201810144033 A CN201810144033 A CN 201810144033A CN 108364301 A CN108364301 A CN 108364301A
- Authority
- CN
- China
- Prior art keywords
- duplication
- tracking
- video
- frame
- vision
- 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.)
- Granted
Links
- 230000004438 eyesight Effects 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000013097 stability assessment Methods 0.000 title claims abstract description 29
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 4
- 238000000205 computational method Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 abstract description 3
- 230000000007 visual effect Effects 0.000 abstract description 2
- 230000006641 stabilisation Effects 0.000 description 4
- 238000011105 stabilization Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及计算机视觉领域,具体涉及基于跨时重叠率的视觉跟踪算法稳定性评估方法及装置,旨在解决评估视觉跟踪算法稳定性评估不准确的问题。具体是:将视频中同一物体在所有帧中的位置对齐为相同的位置;根据相同的对齐参数将某视觉跟踪算法的跟踪结果进行归一化;在一段时间跨度内,计算所有归一化的跟踪结果与归一化的物体标注框之间的重叠率;将该跨时重叠率在整段视频的所有帧上求平均,得到该视频下的跨时重叠率得分;将跨时重叠率在某类物体的所有视频和所有物体类别上求取平均值,再基于时间跨度进行平均,得到视觉跟踪算法在完整视觉跟踪数据集下的稳定性评估结果。本发明能有效反映视觉跟踪算法跟踪的稳定性及准确性。
Description
技术领域
本发明涉及计算机视觉领域,具体涉及基于跨时重叠率的视觉跟踪算法稳定性评估方法及装置。
背景技术
近年来,计算机视觉、人工智能、机器感知等领域迅猛发展。视觉物体跟踪作为计算机视觉中一个基本问题,也得到了长足的发展。物体跟踪就是利用计算机算法对视频中连续帧的图像进行处理分析,从而自动地追踪视频中感兴趣物体的位置,从而得到物体在一段时间内稳定轨迹的过程。传统算法通过构建复杂的运动模型、表观模型、记忆模型和特征表达来构建复杂的跟踪算法,而近年来随着深度学习的广泛使用,许多简洁有效的基于深度学习的跟踪算法在近年来不断提出,提供了鲁棒性更好的视觉跟踪器。
尽管经过数十年的发展,视觉跟踪算法的评估方式仍然是独立地在每帧图像中计算估计位置和真实位置之间的差别(如重叠率、中心误差等),并最终累计作为跟踪算法得分。作为典型的视频感知任务,这种评估方式完全忽视了视频帧之间和连续帧跟踪结果之间的高度依赖关系。其导致的后果是无法从评估指标中直观地看出算法在长时间跟踪上的稳定性。例如,跟踪轨迹长短,抖动幅度等。因此,本发明提出一种专门针对视频任务的跟踪算法评估指标,通过计算跨越多帧的跟踪结果和物体真实位置之间的重叠率,有效地解决了跟踪算法中稳定性评估的问题。此外,现有评估方式的另一个问题在于,当某类物体的视频样本在总体样本中相对较少时,其评估得分对最终得分的影响很小,因而跟踪算法对这类物体跟踪的鲁棒性也很难从最终得分中看出。因此,我们提出将物体分类,并将跨时重叠率得分在所有类别上计算平均值,以在最终得分中对所有类别平等看待,从而鼓励跟踪算法兼顾不同类别物体带来的挑战。
发明内容
为了解决现有技术中的上述问题,即为了解决评估视觉跟踪算法稳定性评估不准确的问题,本发明的第一方面,提出了一种基于跨时重叠率的视觉跟踪稳定性评估方法,包括以下步骤:
在样本视频集中,依据设定的目标跟踪算法对每个类别跟踪目标的对应视频进行目标跟踪,计算各类别跟踪目标在各所述对应视频中的跨时重叠率,并基于所述对应视频的个数进行平均,得到各类别跟踪目标的第一跨时重叠率平均值;
将各类别跟踪目标的所述第一跨时重叠率平均值基于跟踪目标的类别数量进行平均,得到第二跨时重叠率平均值;
将所述第二跨时重叠率平均值基于计算跨时重叠率所设定的时间跨度进行平均,得到所述设定的目标跟踪算法的稳定性评估值;
所述跨时重叠率为一段时间跨度内跟踪目标的真实位置与跟踪算法跟踪结果的重叠率。
进一步地,所述“各类别跟踪目标在各所述对应视频中的跨时重叠率”采用单视频单类跟踪目标跨时重叠率的计算方法进行计算,包括以下步骤:
步骤S1:标记视频中所跟踪的跟踪目标在视频帧中的真实位置框,通过移动和/或缩放操作,归一化到统一位置框,并记录其移动和/或缩放参数;
步骤S2:采用同样的移动和/或缩放参数,对视觉跟踪算法跟踪该物体的矩形框进行对齐操作,得到与统一位置框大小相等的对比框;
步骤S3:在时间跨度τ内计算该类物体真实位置框与视觉跟踪算法进行对齐操作后得到的对比框之间的重叠率,记为TAO(τ,f);
步骤S4:基于时间跨度τ计算单个视频所有帧的TAO值,取其平均值为单个视频中某一类物体的跨时重叠率。
进一步地,所述真实位置框为预先标注的跟踪目标在视频帧中真实位置的外接矩形框,记为Rf=(x,y,w,h),f=1,…,T表示帧号,x,y为物体左上角坐标,w,h表示物体宽度和高度。
进一步地,所述统一位置框为设置于每一视频帧的设定位置的矩形框,其在每一视频帧中的坐标相同,大小相同,记为
进一步地,所述“在时间跨度τ内计算该类物体真实位置框与视觉跟踪算法进行对齐操作后得到的对比框之间的重叠率”计算公式为:
其中,为统一位置框位置,为视频跟踪算法t跟踪结果经过移动和/或缩放操作后的位置,∩代表矩形求交集操作,∪表示矩形求并集操作。
进一步地,所述“单个视频中某一类物体的跨时重叠率”计算公式为:
其中,f=1,…,T表示帧号,τ为时间跨度,v表示物体类别。
进一步地,“目标跟踪算法的稳定性评估值”计算公式为:
其中,τ为时间跨度,C表示所有物体类别集合,v表示某类别物体的视频,νc代表物体类别为c的视频集合,mTAOv,τ为单个视频中某一类物体的跨时重叠率。
进一步地,所述时间跨度τ的取值范围为:τ=1~50。
本发明的第二方面,提出了一种基于稳定性评估的视觉跟踪算法优选方法,包括以下步骤:
确定多个待评估视觉跟踪算法;确定样本视频集;
基于上述的基于跨时重叠率的视觉跟踪稳定性评估方法对多个所述待评估视觉跟踪算法进行评估,并输出稳定性评估值;
选择稳定性评估值最高的待评估视觉跟踪算法作为所选择的视觉跟踪算法。
本发明的第三方面,提出了一种存储装置,其中存储有多条程序,所述程序适于由处理器加载并执行以实现上述的基于跨时重叠率的视觉跟踪稳定性评估方法或上述基于稳定性评估的视觉跟踪算法优选方法。
本发明的第四方面,提出了一种处理装置,包括
处理器,适于执行各条程序;以及
存储设备,适于存储多条程序;
所述程序适于由处理器加载并执行以实现:上述的基于跨时重叠率的视觉跟踪稳定性评估方法或上述基于稳定性评估的视觉跟踪算法优选方法。
本领域技术人员应该能够意识到,结合本发明的基于跨时间重叠率的视觉跟踪算法稳定性评估方法及装置,具有如下几个明显优点:
(1)当前跟踪算法评估方法多是单帧独立评估再加总,而本发明提出的跨时重叠率直接考虑了物体位置和跟踪结果在时序上的依赖关系,能有效反映算法长期跟踪的稳定性;
(2)不同类别物体代表着不同的跟踪挑战,通过现在各类物体的多个视频上平均,再在类别上平均跨时重叠率得分,最终得分平等地考虑了不同类物体下的跟踪稳定性;
(3)跨时重叠率在时间跨度较小时体现了单帧跟踪的准确率,而在时间跨度较长时体现了长时跟踪的稳定性,可以很容易通过准确率和稳定性的算法排名来看出不同跟踪算法在这两方面的优势与劣势;
(4)本发明的基于稳定性评估的视觉跟踪算法优选方法,可以准确依据不同视觉跟踪算法对样本视频集的稳定性进行最优选择,提高了算法优选的准确性。
附图说明
图1是本发明一种实施例的基于跨时重叠率的视觉跟踪算法稳定性评估方法的流程示意图。
具体实施方式
下面结合附图描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非旨在限制本发明的保护范围。
本发明的思想要点是:1)本发明提出的跨时重叠率得分通过计算在一个时间跨度内所有跟踪框与所有真实物体位置之间的重叠率,来反映跟踪算法的稳定性;2)本发明提出将得分在不同类别物体上分别计算再平均,从而均等地考虑了不同类物体带来的挑战;3)本发明提出的跨时重叠率在时间跨度小时反映出算法单帧的准确程度,而在时间跨度大时反映出长时跟踪的稳定程度。下面对发明中所涉及到的技术方案及细节予以说明。
本发明的基于跨时重叠率的视觉跟踪算法稳定性评估方法,具体为:在样本视频集中,依据设定的目标跟踪算法对每个类别跟踪目标的对应视频进行目标跟踪,计算各类别跟踪目标在各所述对应视频中的跨时重叠率,并基于所述对应视频的个数进行平均,得到各类别跟踪目标的第一跨时重叠率平均值,此处目标跟踪算法所跟踪的不同类别物体是预先设定的具体的跟踪物体;
将各类别跟踪目标的所述第一跨时重叠率平均值基于跟踪目标的类别数量进行平均,得到第二跨时重叠率平均值;
将所述第二跨时重叠率平均值基于计算跨时重叠率所设定的时间跨度进行平均,得到所述设定的目标跟踪算法的稳定性评估值。
跨时重叠率为一段时间跨度内跟踪目标的真实位置与跟踪算法跟踪结果的重叠率,传统的重叠率是计算单帧视频的独立评估再加总,而本发明考虑了物体位置和跟踪结果在时序上的依赖关系,计算一段时间跨度内重叠率。
视觉跟踪算法的评估指标反映出不同算法在跟踪任务上的鲁棒性和准确率。现有的评估指标都是独立地在每帧图像中计算跟踪结果与真实位置之间的相似度,如重叠率和中心误差等,最后将全部结果累计作为最终得分。作为典型的视频感知任务评估指标,这种方式完全忽略了视频连续帧间的依赖关系,而得分中也很难反映出跟踪算法长时跟踪的稳定性。为此,本方法提出一种新的针对视频任务的评估指标,以直接反映视觉跟踪算法的稳定性。本方法第一步是提取跟踪结果与物体真实位置间在一段时间跨度内的重叠率,再计算单个视频中某一类物体的跨时重叠率。
具体而言,本方法首先标记视频中所跟踪的跟踪目标在视频帧中的真实位置框,将真实位置框通过移动和/或缩放操作,归一化到统一位置框,并记录其移动和/或缩放参数。
例如,对一段视频内的某一类物体真实位置框Rf=(x,y,w,h),其中,f=1,…,T表示帧号,x、y为物体左上角坐标,w,h表示物体宽度和高度,对齐到统一的矩形框如表达式(1):
接着采用同样的平移和缩放操作,将视觉跟踪算法的跟踪结果对齐得到得到与统一位置框大小相等的对比框,其中t表示某视觉跟踪算法。
上述真实位置框为预先标注的跟踪目标在视频帧中真实位置的外接矩形框,记为Rf,上述统一位置框为设置于每一视频帧的设定位置的矩形框,其在每一视频帧中的坐标相同,大小相同,记为
在某时间跨度τ内,根据公式(2)计算真实物体位置与跟踪结果之间的重叠率(Time-Across Overlap,TAO):
其中,∩代表矩形求交集操作,∪表示矩形求并集操作。
最后,某一类别物体在单个视频中所有帧的TAO得分按公式(3)求平均值得到单个视频的平均TAO得分,即单个视频中某一类物体的跨时重叠率:
f=1,…,T表示帧号,τ为时间跨度,v表示某类别物体的视频,TAO(τ,f)为时间跨度τ内的跨时重叠率。
为了得到跟踪算法在大型完整视觉跟踪视频数据集上的总体得分,本方法将各个视频上的平均跨时重叠率在所有视频上求平均。考虑到不同物体类别样本数有差别,为了能在最终评估得分中均等地考虑到不同类别物体,本方法分别在每个类别的所有视频上计算平均跨时重叠率即第一跨时重叠率的平均值,再将该得分(第一跨时重叠率的平均值)在所有类别上求平均得到第二跨时重叠率平均值,最后,将该结果对所选取得时间跨度τ求平均,得到跟踪算法在整个视频跟踪数据库下的最终得分,其计算方法如公式(4)所示:
其中C表示所有物体类别集合,νc代表物体类别为c的视频集合,v表示某类别物体的视频,mTAOν,τ表示单个视频中v类物体的在时间跨度为τ时的跨时重叠率。
本发明的时间跨度τ的取值范围为:τ=1~50,当时间跨度τ较小时,如τ=1,总体跨时重叠率近似于传统重叠率,直接反映跟踪算法的单帧准确程度。而当时间跨度τ较大时,如τ=50,总体跨时重叠率则反映跟踪算法在长时跟踪时的稳定性。因此,本方法采用mTAOτ=1评估算法的准确率,采用mTAOτ=50评估算法的稳定性。为了比较不同算法,本方法将不同跟踪算法根据两个得分值进行排名,并将两个名次分别作为坐标轴的横轴和纵轴绘制出来,可以很容易地看出不同算法的准确率和稳定性。
图1为本发明一种实施例的基于跨时重叠率的视觉跟踪算法稳定性评估方法的流程示意图,为了更好地说明本发明的具体实施方式,本发明按下面步骤进行实施:
步骤S1:物体位置及跟踪结果归一化,即将多帧视频中物体位置对齐到统一的矩形框,再依据相同的位移和缩放比例将对应帧的跟踪结果对齐;
步骤S2:跨时重叠率计算,即在一个时间跨度τ内,计算视频帧中所有归一化后的物体位置与所有归一化后的跟踪框之间的重叠率;
步骤S3:单视频某一类物体的跨时重叠率,即将单个视频内所有时刻在时间跨度τ下的跨时重叠率求取平均,得到单个视频下跟踪算法的某一类物体的平均跨时重叠率得分;
步骤S4:总体跨时重叠率计算,即将每类物体的所有视频的跨时重叠率求取平均值,接着将所有类别物体的平均值再次求取平均值,基于计算跨时重叠率所设定的时间跨度进行平均,即得算法在完整数据集下的总体跨时重叠率;
步骤S5:准确率与稳定性比较,即采用小时间跨度如τ=1得到的总体跨时重叠率代表跟踪算法在单帧下的准确率,而采用大时间跨度如τ=50得到的总体跨时重叠率代表跟踪算法在长时跟踪时的稳定性,通过比较不同跟踪算法在两个得分下的排名能有效看出算法的准确率和稳定性程度。
总之,本发明提出了一种新的基于跨时重叠率的视觉跟踪算法稳定性评估方法。本发明能够很好地体现跟踪算法在长时跟踪下的稳定性,并能有效汇总跟踪算法在不同类物体下的得分,从而均等反映算法在不同挑战下的鲁棒性。
为了解决现有技术中不能准确的选出稳定性高的视觉跟踪算法进行不同场景的应用,可以通过以下实施例的基于稳定性评估的视觉跟踪算法优选方法进行视觉跟踪算法的选择,步骤包括:确定多个待评估视觉跟踪算法;确定样本视频集;基于上述的基于跨时重叠率的视觉跟踪稳定性评估方法对多个所述待评估视觉跟踪算法进行评估,并输出稳定性评估值;选择稳定性评估值最高的待评估视觉跟踪算法作为所选择的视觉跟踪算法。
为了选出更加适应特定场景的视觉跟踪算法,本实施例中的样本视频集可以采用特定场景的视频信息进行处理后得到。
所属的技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,本实施例描述的基于跨时重叠率的视觉跟踪稳定性评估方法的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
本发明的一种实施例的存储装置,其中存储有多条程序,该程序适于由处理器加载并执行以实现上述的基于跨时重叠率的视觉跟踪稳定性评估方法或上述基于稳定性评估的视觉跟踪算法优选方法。
本发明的一种实施例的处理装置,包括
处理器,适于执行各条程序;以及
存储设备,适于存储多条程序;
上述程序适于由处理器加载并执行以实现:上述的基于跨时重叠率的视觉跟踪稳定性评估方法或上述基于稳定性评估的视觉跟踪算法优选方法。
所属的技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置的具体工作工程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
本领域技术人员应该能够意识到,结合本文中所公开的实施例描述的各示例的方法及装置,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明电子硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
术语“第一”、“第二”等是用于区别类似的对象,而不是用于描述或表示特定的顺序或先后次序。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (11)
1.一种基于跨时重叠率的视觉跟踪算法稳定性评估方法,其特征在于,包括以下步骤:
在样本视频集中,依据设定的目标跟踪算法对每个类别跟踪目标的对应视频进行目标跟踪,计算各类别跟踪目标在各所述对应视频中的跨时重叠率,并基于所述对应视频的个数进行平均,得到各类别跟踪目标的第一跨时重叠率平均值;
将各类别跟踪目标的所述第一跨时重叠率平均值基于跟踪目标的类别数量进行平均,得到第二跨时重叠率平均值;
将所述第二跨时重叠率平均值基于计算跨时重叠率所设定的时间跨度进行平均,得到所述设定的目标跟踪算法的稳定性评估值;
其中,
所述跨时重叠率为一段时间跨度内跟踪目标的真实位置与跟踪算法跟踪结果的重叠率。
2.根据权利要求1所述的基于跨时重叠率的视觉跟踪稳定性评估方法,其特征在于,所述“各类别跟踪目标在各所述对应视频中的跨时重叠率”采用单视频单类跟踪目标跨时重叠率的计算方法进行计算,包括以下步骤:
步骤S1:标记视频中所跟踪的跟踪目标在视频帧中的真实位置框,通过移动和/或缩放操作,归一化到统一位置框,并记录其移动和/或缩放参数;
步骤S2:采用同样的移动和/或缩放参数,对视觉跟踪算法跟踪该物体的矩形框进行对齐操作,得到与统一位置框大小相等的对比框;
步骤S3:在时间跨度τ内计算该类物体真实位置框与视觉跟踪算法进行对齐操作后得到的对比框之间的重叠率,记为TAO(τ,f);
步骤S4:基于时间跨度τ计算单个视频所有帧的TAO值,取其平均值为单个视频中某一类物体的跨时重叠率。
3.根据权利要求2所述的基于跨时重叠率的视觉跟踪稳定性评估方法,其特征在于,所述真实位置框为预先标注的跟踪目标在视频帧中真实位置的外接矩形框,记为Rf=(x,y,w,h),f=1,…,T表示帧号,x,y为物体左上角坐标,w,h表示物体宽度和高度。
4.根据权利要求2所述的基于跨时重叠率的视觉跟踪稳定性评估方法,其特征在于,所述统一位置框为设置于每一视频帧的设定位置的矩形框,其在每一视频帧中的坐标相同,大小相同,记为
5.根据权利要求2所述的基于跨时重叠率的视觉跟踪稳定性评估方法,其特征在于,所述“在时间跨度τ内计算该类物体真实位置框与视觉跟踪算法进行对齐操作后得到的对比框之间的重叠率”计算公式为:
其中,为统一位置框位置,为视频跟踪算法t跟踪结果经过移动和/或缩放操作后的位置,∩代表矩形求交集操作,∪表示矩形求并集操作。
6.根据权利要求2所述的基于跨时重叠率的视觉跟踪稳定性评估方法,其特征在于,所述“单个视频中某一类物体的跨时重叠率”计算公式为:
其中,f=1,…,T表示帧号,τ为时间跨度,v表示物体类别。
7.根据权利要求1所述的基于跨时重叠率的视觉跟踪稳定性评估方法,其特征在于,所述“目标跟踪算法的稳定性评估值”计算公式为:
其中,τ为时间跨度,C表示所有物体类别集合,v表示某类别物体的视频,νc代表物体类别为c的视频集合,mTAOv,τ为单个视频中某一类物体的跨时重叠率。
8.根据权利要求1-7所述的基于跨时重叠率的视觉跟踪稳定性评估方法,其特征在于,所述时间跨度τ的取值范围为:τ=1~50。
9.一种基于稳定性评估的视觉跟踪算法优选方法,其特征在于,包括以下步骤:
确定多个待评估视觉跟踪算法;确定样本视频集;
基于权利要求1-8任一项所述的基于跨时重叠率的视觉跟踪稳定性评估方法对多个所述待评估视觉跟踪算法进行评估,并输出稳定性评估值;
选择稳定性评估值最高的待评估视觉跟踪算法作为所选择的视觉跟踪算法。
10.一种存储装置,其中存储有多条程序,其特征在于,所述程序适于由处理器加载并执行以实现权利要求1-9任一项所述的基于跨时重叠率的视觉跟踪稳定性评估方法或所述基于稳定性评估的视觉跟踪算法优选方法。
11.一种处理装置,包括
处理器,适于执行各条程序;以及
存储设备,适于存储多条程序;
其特征在于,所述程序适于由处理器加载并执行以实现:
权利要求1-9任一项所述的基于跨时重叠率的视觉跟踪稳定性评估方法或所述基于稳定性评估的视觉跟踪算法优选方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810144033.1A CN108364301B (zh) | 2018-02-12 | 2018-02-12 | 基于跨时重叠率的视觉跟踪算法稳定性评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810144033.1A CN108364301B (zh) | 2018-02-12 | 2018-02-12 | 基于跨时重叠率的视觉跟踪算法稳定性评估方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108364301A true CN108364301A (zh) | 2018-08-03 |
CN108364301B CN108364301B (zh) | 2020-09-04 |
Family
ID=63005941
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810144033.1A Active CN108364301B (zh) | 2018-02-12 | 2018-02-12 | 基于跨时重叠率的视觉跟踪算法稳定性评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108364301B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111292359A (zh) * | 2018-12-06 | 2020-06-16 | 西安光启未来技术研究院 | 算法的性能衡量方法及装置 |
CN112257587A (zh) * | 2020-10-22 | 2021-01-22 | 江苏禹空间科技有限公司 | 目标对象的检测效果评估方法、装置、存储介质及设备 |
CN112465871A (zh) * | 2020-12-07 | 2021-03-09 | 华中光电技术研究所(中国船舶重工集团公司第七一七研究所) | 一种视觉跟踪算法准确性的评价方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101986348A (zh) * | 2010-11-09 | 2011-03-16 | 上海电机学院 | 一种视觉目标识别与跟踪方法 |
CN104751493A (zh) * | 2015-04-21 | 2015-07-01 | 南京信息工程大学 | 基于梯度纹理特征的稀疏跟踪方法 |
CN104850865A (zh) * | 2015-06-05 | 2015-08-19 | 三峡大学 | 一种多特征迁移学习的实时压缩跟踪方法 |
CN107169989A (zh) * | 2017-04-17 | 2017-09-15 | 南京邮电大学 | 一种基于数据关联与轨迹评估的多目标跟踪方法 |
CN107292297A (zh) * | 2017-08-09 | 2017-10-24 | 电子科技大学 | 一种基于深度学习和重叠率跟踪的视频车流量检测方法 |
-
2018
- 2018-02-12 CN CN201810144033.1A patent/CN108364301B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101986348A (zh) * | 2010-11-09 | 2011-03-16 | 上海电机学院 | 一种视觉目标识别与跟踪方法 |
CN104751493A (zh) * | 2015-04-21 | 2015-07-01 | 南京信息工程大学 | 基于梯度纹理特征的稀疏跟踪方法 |
CN104850865A (zh) * | 2015-06-05 | 2015-08-19 | 三峡大学 | 一种多特征迁移学习的实时压缩跟踪方法 |
CN107169989A (zh) * | 2017-04-17 | 2017-09-15 | 南京邮电大学 | 一种基于数据关联与轨迹评估的多目标跟踪方法 |
CN107292297A (zh) * | 2017-08-09 | 2017-10-24 | 电子科技大学 | 一种基于深度学习和重叠率跟踪的视频车流量检测方法 |
Non-Patent Citations (2)
Title |
---|
孙 巧等: "基于加权重叠率的单目标视觉跟踪评价指标", 《电子学报》 * |
王海军等: "基于L2范数和增量正交投影非负矩阵分解的目标跟踪算法", 《黑龙江大学自然科学学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111292359A (zh) * | 2018-12-06 | 2020-06-16 | 西安光启未来技术研究院 | 算法的性能衡量方法及装置 |
CN112257587A (zh) * | 2020-10-22 | 2021-01-22 | 江苏禹空间科技有限公司 | 目标对象的检测效果评估方法、装置、存储介质及设备 |
CN112257587B (zh) * | 2020-10-22 | 2023-12-22 | 无锡禹空间智能科技有限公司 | 目标对象的检测效果评估方法、装置、存储介质及设备 |
CN112465871A (zh) * | 2020-12-07 | 2021-03-09 | 华中光电技术研究所(中国船舶重工集团公司第七一七研究所) | 一种视觉跟踪算法准确性的评价方法及系统 |
CN112465871B (zh) * | 2020-12-07 | 2023-10-17 | 华中光电技术研究所(中国船舶重工集团公司第七一七研究所) | 一种视觉跟踪算法准确性的评价方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108364301B (zh) | 2020-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3451292B1 (en) | Skeleton estimation device, skeleton estimation method, and skeleton estimation program | |
US11281896B2 (en) | Physical activity quantification and monitoring | |
CN106373145B (zh) | 基于跟踪片段置信度和区分性外观学习的多目标跟踪方法 | |
Han et al. | State-aware anti-drift object tracking | |
CN108364301A (zh) | 基于跨时重叠率的视觉跟踪算法稳定性评估方法及装置 | |
CN108470354A (zh) | 视频目标跟踪方法、装置和实现装置 | |
CN109857123A (zh) | 一种基于视觉感知和激光探测的室内slam地图的融合方法 | |
WO2018017286A1 (en) | Swing analysis method using a swing plane reference frame | |
CN109145921A (zh) | 一种基于改进的直觉模糊c均值聚类的图像分割方法 | |
CN104217192B (zh) | 基于深度图像的手定位方法和设备 | |
JPWO2016056449A1 (ja) | スキル判定プログラム、スキル判定方法、スキル判定装置およびサーバ | |
CN109977971A (zh) | 基于均值偏移与核相关滤波的尺度自适应目标跟踪系统 | |
CN107832683A (zh) | 一种目标跟踪方法及系统 | |
WO2020042542A1 (zh) | 眼动控制校准数据获取方法和装置 | |
CN110874583A (zh) | 一种客流统计的方法、装置、存储介质及电子设备 | |
CN105894540A (zh) | 一种基于移动终端的上下往复移动计数方法及系统 | |
CN109858526A (zh) | 一种目标跟踪中基于传感器的多目标轨迹融合方法 | |
CN109584265A (zh) | 一种目标跟踪方法及装置 | |
KR20170084643A (ko) | 듀얼 스마트 밴드를 이용한 모션 분석 장치 및 방법 | |
CN106778587B (zh) | 基于无人机影像的飞行状态检测方法及装置 | |
CN108182693A (zh) | 一种基于跟踪片段置信度和外观学习的多目标跟踪算法 | |
Clifford et al. | Model-based determination of QT intervals | |
CN109858402A (zh) | 一种图像检测方法、装置、终端以及存储介质 | |
CN109859243A (zh) | 一种基于尺度自适应块粒子的运动目标跟踪方法 | |
CN106683116B (zh) | 一种基于支持向量机的粒子滤波联合跟踪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |