张小波

OTB Benchmark 学习（下载链接、评价指标、配置）

最近刚刚开始学习目标跟踪方法，在看程序和论文的时候发现评价指标和跟踪算法比较图的时候，思考这些是从哪里来的，查到了一下有关评价方法：OTB Benchmark 、VOT toolkit、pysot 和got10k-toolkit等Toolkit。
先将OTB Benchmark进行学习和总结，后续学习余下的。

文章目录

一、OTB（包含：数据集百度云下载链接）
二、OTB评价指标
- 1. precision plot 精度图（中心位置误差）
- 2. Success Plot 成功率图（区域重叠面积比率）
- 2. OPE、TRE、SRE
三、OTB Benchmark 使用（Matlab版本）
- 1.下载
- 2.文件介绍
- 3.修改程序中的部分设置
- 4.运行
- 5.显示
- 6.画图

一、OTB（包含：数据集百度云下载链接）

OTB 可以用来衡量你的目标跟踪算法好坏，它包含一些 benchmark 结果，打好标记（即ground-truth.txt )的数据集，以及一个用来测试你的算法的代码库。
数据集包括50帧的序列和100帧的序列，其中50帧序列的数据集是2013年提出来的，100帧的数据集是2015年提出来的，所以OTB50也叫OTB2013，OTB100也叫OTB2015。
现在测试基本都使用OTB100做。
相关的数据集和测试代码库都可以在Visual Tracker Benchmark官方网址下载。
OTB50，数据集下载，百度云，密码：rrsr
OTB100，数据集下载，百度云，密码：faqb
建议直接下载OTB100，OTB100包含了OTB50中的所有图像序列。
注明：
1.Jogging和Skating2有两个序列，在序列Human4中的groundtruth_rect.1.txt是空的（原版也是空的）
2.发现在Jogging序列下有个ground_rect.txt,删去即可
3.注意序列BlurCar1，BlurCar3，BlurCar4里面图片序号不是从1开始的

二、OTB评价指标

先抛出两个概念，也是最常见的评价标准。
评价标准通常包含两个基本参数：中心位置误差和区域重叠面积比率
中心位置误差：
是跟踪目标的中心位置和人工标注的准确位置之间的平均像素距离。
区域重叠面积比率：
通过统计跟踪算法得到的边界框和人工标注的准确边界框之间的面积重叠比衡量跟踪算法的性能。

1. precision plot 精度图（中心位置误差）

在跟踪精确度的评估中，中心位置误差是一个广泛使用的标准，是跟踪目标的中心位置和人工标注的准确位置之间的平均像素距离（欧几里得距离）。通常，采用一个序列中所有帧的平均中心位置误差来评价跟踪算法对该序列的总体性能。然而，当跟踪器丢失目标时，预测的跟踪位置是随机的，此时平均误差值可能无法准确评估跟踪器的性能。因此，在 OTB 数据集上将其进一步扩展为精确度曲线图，统计在不同阈值距离下的成功跟踪比例，并采用阈值为 20 个像素点所对应的数值作为代表性的精确度评价指标。
该评估方法的缺点：无法反映目标物体大小与尺度的变化。
例如：下图为MDNet在OTB100的测试结果，图中蓝色箭头指示的就是阈值20个像素下，MDNet方法的精度为0.909。怎么计算的呢？举例，如一个视频为1000帧，小于20像素距离的帧数有909帧，那边精度为0.909。当然，图中的结果为OTB100数据集的测试的平均结果。

2. Success Plot 成功率图（区域重叠面积比率）

由于中心位置误差无法评价目标在跟踪过程中的尺度变化，因此，提出基于区域重叠面积比的评价标准，通过统计跟踪算法得到的边界框和人工标注的准确边界框之间的面积重叠比衡量跟踪算法的性能。
首先定义重合率得分（overlap score，OS），跟踪算法得到的bounding box（记为a），与ground-truth给的box（记为b）
重合率定义为：
OS = |a∩b|/|a∪b|，
|·|表示区域的像素数目。
当某一帧的OS大于设定的阈值时，则该帧被视为成功的（Success），总的成功的帧占所有帧的百分比即为成功率（Success rate）。OS的取值范围为0~1，因此可以绘制出阈值从 0 到 1 变化的成功率曲线图。
在特定的阈值(例如，阈值为0.5)下使用一个成功率值（Success rate）来评估跟踪算法可能不公平、不具有代表性。取而代之的是，使用每个成功图的曲线下面积(AUC)来对跟踪算法进行排名。
成功图比精度图更可取，因为精度仅使用边界框位置，而忽略大小或重叠。
例如：下图算法后面跟的数值，应该就是AUC

2. OPE、TRE、SRE

OPE
用ground-truth中目标的位置初始化第一帧，然后运行跟踪算法得到平均精度和成功率。这种方法被称为one-pass evaluation (OPE)一次性评估。
虽然它很简单，但这个指标有两个主要缺点。首先，跟踪算法可能对第一帧中的初始化敏感，并且其对于不同初始状态或帧的性能可能有显著差异。其次，大多数算法没有重新初始化机制，跟踪失败后的跟踪结果不能提供有意义的信息。
TRE、SRE
为进行鲁棒性（robustness）评估， OTB 提出在时间上( 即，从不同帧开始跟踪) 和空间上( 即，以不同的边界框开始跟踪) 扰乱初始化，以模拟现实世界中由于位置或尺寸方面引入的初始化误差; 这两种评估称为时间鲁棒性评估(TRE，temporal robustness evaluation) 和空间鲁棒性评估( SRE，spatial robustness evaluation）。
TRE：在一个图片/视频序列中，每个跟踪算法从不同的帧作为起始进行追踪，通过视频序列在时间轴上平均找出20个点作为起点（比如分别从第一帧开始进行跟踪，从第十帧开始进行跟踪，从第二十帧开始进行跟踪等），终点还是原来的最后一帧，这样通过对20段视频序列运行算法，绘制平均的重叠率图或者像素误差图。
SRE：由于有些算法对初始化时给定的bounding box比较敏感，而目前测评用的ground-truth都是人工标注的，因此可能会对某些跟踪算法产生影响。因此为了评估这些跟踪算法是否对初始化敏感，作者通过将ground-truth轻微的平移和尺度的扩大与缩小来产生bounding box。平移的大小为目标物体大小的10%，尺度变化范围为ground-truth的80%到120%，每10%依次增加。最后取这些结果的平均值作为SRE score。
我们通过平移或缩放地面实值来采样第一帧中的初始边界框。这里，我们使用了8个空间移位，包括4个中心移位和4个角移位，以及4个比例变化(补充)。移动量为目标大小的10%，比例比在0.8、0.9、1.1和1.2之间变化，与实际情况相符。因此，我们对每个跟踪器进行了12次SRE评估。

在OTB2015中提出了，OPER和SRER。
原因：对于具有挑战性的序列，当场景中出现外观急剧变化或出现某些干扰时，跟踪算法可能会失败并失去对目标的跟踪。一旦一种方法失败，在没有任何外部输入(例如，由对象检测器重新检测或手动重新初始化)的情况下，不太可能恢复和跟踪目标。虽然TRE评分旨在缓解这种影响，但为了更好地衡量跟踪性能，需要使用不同的度量标准。
One-pass evaluation with restart (OPER)：可重新启动的一次性评估，在跟踪期间，如果跟踪失败，那么就在下一帧重新初始化然后再跟踪，其余与OPE一样。
Spatial robustness evaluation with restart (SRER)：基于重启的空间稳健性评估，通OPER。

三、OTB Benchmark 使用（Matlab版本）

1.下载

benchmark codebase，官方网址：http://cvlab.hanyang.ac.kr/tracker_benchmark/
tracker Results 是OTB运行的跟踪算法的结果，可以直接下载使用。（官网下载，使用迅雷下载会快一点）
百度云链接，密码：cx5o

下载vlfeat工具包
网址：https://www.vlfeat.org/
VLFeat 开源库实现计算机视觉算法专业图像的理解和局部特征提取和匹配。它是用C编写的，以提高效率和兼容性，并带有MATLAB的接口，以易于使用。
为什么要下载呢？因为OTB用到了vlfeat 的一些东西。

2.文件介绍

解压tracker_benchmark_v1.0，简单介绍一下文件内容：
1.anno文件：主要存储的是数据集的bounding box。目前打开为52个文件，后续需要可以添加。默认下载下来的只有OTB50中视频序列的标注数据，要想测试OTB100就需要找到OTB100的标注数据将anno文件夹进行替换。很显然，没有标注好的数据就不能测试得到算法的跟踪精度及成功率。
2.figs文件：存储的是一些实验跑出的图片，准确度图、成功率图等。运行了perfPlot.m文件画完图之后，生成的图片就会存在这个文件夹里。
3.initOmit文件：包含由于遮挡或目标超出视野而被省略的用于跟踪初始化的帧的注释的目录。
4.perfMat文件：存储最终用于画图的mat文件。运行perfPlot.m画图文件之后生成的记录文件，所以当你新增或者更改了需要画图的算法时，最好把这个文件夹里overall里的所有文件删除，否则可能会画出之前保存的图片而不进行新图的绘制。
5.results文件：存储的每个trackers的跟踪结果的mat文件和perfMat不一样，这个是相对于bounding box的跟踪框数据。
6.rstEval文件：包含了很多用于计算跟踪性能或者画出结果的脚本的目录。
7.tmp文件：用来存放临时结果或者日志文件。
8.trackers文件：里面包含各种你需要对比的跟踪算法；要简单了解可以看trackers.txt文件（注意：你必须把你需要测试的算法的代码放在这个文件夹里，并写好接口文件（run_算法名.m））
9.util文件：里面包含各种重要的函数和脚本。（其中，需要更改的函数有两个，configSeqs.m文件，这个文件是设置需要在哪些视频序列上进行测试。configTrackers.m文件，这个文件是设置需要测试哪些跟踪算法。）
.m文件
1.drawResultBB.m 用于画每个帧上不同跟踪器的边界框的主函数。将选择的所有算法的跟踪结果框（bounding_box）显示在同一张图片上的文件，运行这个文件首先需要把自己的算法在数据库上跑一遍，也就是要有results文件夹里要有算法跟踪结果文件。
2.genPerfMat.m 被调用生成图的值。
3.main_running.m 是用来在测试集上跑跟踪代码的，跑出的结果存在results文件夹中；
4.perfPlot.m 用来把测试结果画出图来，就是benchmark网上的图的效果

3.修改程序中的部分设置

修改vlfeat的路径：
main_running.m文件中：

addpath(('D:\vlfeat-0.9.14\toolbox'));
vl_setup

更改为自己解压的路径。
修改数据集图像路径，在util文件中的configSeqs.m，修改seq路径，为自己OTB数据集存放的路径。注意：图像序列在更深一层的img文件下。
更改后，所示：

struct('name','soccer','path','E:\Datasets\OTB100\soccer\img\','startFrame',1,'endFrame',392,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...

参考其他博客给出configSeqs.m配置OTB100

function seqs=configSeqs
 
seqVTD={
     struct('name','soccer','path','E:\Datasets\OTB100\soccer\img\','startFrame',1,'endFrame',392,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','matrix','path','E:\Datasets\OTB100\matrix\img\','startFrame',1,'endFrame',100,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','ironman','path','E:\Datasets\OTB100\ironman\img\','startFrame',1,'endFrame',166,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','deer','path','E:\Datasets\OTB100\deer\img\','startFrame',1,'endFrame',71,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','skating1','path','E:\Datasets\OTB100\skating1\img\','startFrame',1,'endFrame',400,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','shaking','path','E:\Datasets\OTB100\shaking\img\','startFrame',1,'endFrame',365,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','singer1','path','E:\Datasets\OTB100\singer1\img\','startFrame',1,'endFrame',351,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','singer2','path','E:\Datasets\OTB100\singer2\img\','startFrame',1,'endFrame',366,'nz',4,'ext','jpg','init_rect', [0,0,0,0])};
 
seqIVT={
     struct('name','carDark','path','E:\Datasets\OTB100\carDark\img\','startFrame',1,'endFrame',393,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','car4','path','E:\Datasets\OTB100\car4\img\','startFrame',1,'endFrame',659,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','david2','path','E:\Datasets\OTB100\david2\img\','startFrame',1,'endFrame',537,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...    
    struct('name','sylvester','path','E:\Datasets\OTB100\sylvester\img\','startFrame',1,'endFrame',1345,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','trellis','path','E:\Datasets\OTB100\trellis\img\','startFrame',1,'endFrame',569,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','fish','path','E:\Datasets\OTB100\fish\img\','startFrame',1,'endFrame',476,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','mhyang','path','E:\Datasets\OTB100\mhyang\img\','startFrame',1,'endFrame',1490,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','david','path','E:\Datasets\OTB100\david\img\','startFrame',300,'endFrame',770,'nz',4,'ext','jpg','init_rect', [0,0,0,0])};
 
seqOther={
     struct('name','coke','path','E:\Datasets\OTB100\coke\img\','startFrame',1,'endFrame',291,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','bolt','path','E:\Datasets\OTB100\bolt\img\','startFrame',1,'endFrame',350,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','boy','path','E:\Datasets\OTB100\boy\img\','startFrame',1,'endFrame',602,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','dudek','path','E:\Datasets\OTB100\dudek\img\','startFrame',1,'endFrame',1145,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','crossing','path','E:\Datasets\OTB100\crossing\img\','startFrame',1,'endFrame',120,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','couple','path','E:\Datasets\OTB100\couple\img\','startFrame',1,'endFrame',140,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','football1','path','E:\Datasets\OTB100\football1\img\','startFrame',1,'endFrame',74,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','jogging-1','path','E:\Datasets\OTB100\jogging\img\','startFrame',1,'endFrame',307,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','jogging-2','path','E:\Datasets\OTB100\jogging\img\','startFrame',1,'endFrame',307,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','doll','path','E:\Datasets\OTB100\doll\img\','startFrame',1,'endFrame',3872,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','girl','path','E:\Datasets\OTB100\girl\img\','startFrame',1,'endFrame',500,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','walking2','path','E:\Datasets\OTB100\walking2\img\','startFrame',1,'endFrame',500,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','walking','path','E:\Datasets\OTB100\walking\img\','startFrame',1,'endFrame',412,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','fleetface','path','E:\Datasets\OTB100\fleetface\img\','startFrame',1,'endFrame',707,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','freeman1','path','E:\Datasets\OTB100\freeman1\img\','startFrame',1,'endFrame',326,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','freeman3','path','E:\Datasets\OTB100\freeman3\img\','startFrame',1,'endFrame',460,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','freeman4','path','E:\Datasets\OTB100\freeman4\img\','startFrame',1,'endFrame',283,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','david3','path','E:\Datasets\OTB100\david3\img\','startFrame',1,'endFrame',252,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','jumping','path','E:\Datasets\OTB100\jumping\img\','startFrame',1,'endFrame',313,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','carScale','path','E:\Datasets\OTB100\carScale\img\','startFrame',1,'endFrame',252,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','skiing','path','E:\Datasets\OTB100\skiing\img\','startFrame',1,'endFrame',81,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','dog1','path','E:\Datasets\OTB100\dog1\img\','startFrame',1,'endFrame',1350,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','suv','path','E:\Datasets\OTB100\suv\img\','startFrame',1,'endFrame',945,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','motorRolling','path','E:\Datasets\OTB100\motorRolling\img\','startFrame',1,'endFrame',164,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','mountainBike','path','E:\Datasets\OTB100\mountainBike\img\','startFrame',1,'endFrame',228,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),... 
    struct('name','lemming','path','E:\Datasets\OTB100\lemming\img\','startFrame',1,'endFrame',1336,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','liquor','path','E:\Datasets\OTB100\liquor\img\','startFrame',1,'endFrame',1741,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','woman','path','E:\Datasets\OTB100\woman\img\','startFrame',1,'endFrame',597,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','faceocc1','path','E:\Datasets\OTB100\faceocc1\img\','startFrame',1,'endFrame',892,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','faceocc2','path','E:\Datasets\OTB100\faceocc2\img\','startFrame',1,'endFrame',812,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','basketball','path','E:\Datasets\OTB100\basketball\img\','startFrame',1,'endFrame',725,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','football','path','E:\Datasets\OTB100\football\img\','startFrame',1,'endFrame',362,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','subway','path','E:\Datasets\OTB100\subway\img\','startFrame',1,'endFrame',175,'nz',4,'ext','jpg','init_rect', [0 0 0 0]),...    
    struct('name','tiger1','path','E:\Datasets\OTB100\tiger1\img\','startFrame',1,'endFrame',354,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','tiger2','path','E:\Datasets\OTB100\tiger2\img\','startFrame',1,'endFrame',365,'nz',4,'ext','jpg','init_rect', [0,0,0,0])};
 
seqOTB49_100={
     struct('name','Biker','path','E:\Datasets\OTB100\Biker\img\','startFrame',1,'endFrame',142,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','Bird1','path','E:\Datasets\OTB100\Bird1\img\','startFrame',1,'endFrame',408,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','Bird2','path','E:\Datasets\OTB100\Bird2\img\','startFrame',1,'endFrame',99,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','BlurBody','path','E:\Datasets\OTB100\BlurBody\img\','startFrame',1,'endFrame',334,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','BlurCar1','path','E:\Datasets\OTB100\BlurCar1\img\','startFrame',247,'endFrame',988,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','BlurCar2','path','E:\Datasets\OTB100\BlurCar2\img\','startFrame',1,'endFrame',585,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','BlurCar3','path','E:\Datasets\OTB100\BlurCar3\img\','startFrame',3,'endFrame',359,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','BlurCar4','path','E:\Datasets\OTB100\BlurCar4\img\','startFrame',18,'endFrame',397,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','BlurFace','path','E:\Datasets\OTB100\BlurFace\img\','startFrame',1,'endFrame',493,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','BlurOwl','path','E:\Datasets\OTB100\BlurOwl\img\','startFrame',1,'endFrame',631,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','Board','path','E:\Datasets\OTB100\Board\img\','startFrame',1,'endFrame',698,'nz',5,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','Bolt2','path','E:\Datasets\OTB100\Bolt2\img\','startFrame',1,'endFrame',293,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','Box','path','E:\Datasets\OTB100\Box\img\','startFrame',1,'endFrame',1161,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','Car1','path','E:\Datasets\OTB100\Car1\img\','startFrame',1,'endFrame',1020,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','Car2','path','E:\Datasets\OTB100\Car2\img\','startFrame',1,'endFrame',913,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','Car24','path','E:\Datasets\OTB100\Car24\img\','startFrame',1,'endFrame',3059,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','ClifBar','path','E:\Datasets\OTB100\ClifBar\img\','startFrame',1,'endFrame',472,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','Coupon','path','E:\Datasets\OTB100\Coupon\img\','startFrame',1,'endFrame',327,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','Crowds','path','E:\Datasets\OTB100\Crowds\img\','startFrame',1,'endFrame',347,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','Dancer','path','E:\Datasets\OTB100\Dancer\img\','startFrame',1,'endFrame',225,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','Dancer2','path','E:\Datasets\OTB100\Dancer2\img\','startFrame',1,'endFrame',150,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...   
    struct('name','Diving','path','E:\Datasets\OTB100\Diving\img\','startFrame',1,'endFrame',215,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','Dog','path','E:\Datasets\OTB100\Dog\img\','startFrame',1,'endFrame',127,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','DragonBaby','path','E:\Datasets\OTB100\DragonBaby\img\','startFrame',1,'endFrame',113,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','Girl2','path','E:\Datasets\OTB100\Girl2\img\','startFrame',1,'endFrame',1500,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','Gym','path','E:\Datasets\OTB100\Gym\img\','startFrame',1,'endFrame',767,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','Human2','path','E:\Datasets\OTB100\Human2\img\','startFrame',1,'endFrame',1128,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','Human3','path','E:\Datasets\OTB100\Human3\img\','startFrame',1,'endFrame',1698,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','Human4','path','E:\Datasets\OTB100\Human4\img\','startFrame',1,'endFrame',667,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','Human5','path','E:\Datasets\OTB100\Human5\img\','startFrame',1,'endFrame',713,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','Human6','path','E:\Datasets\OTB100\Human6\img\','startFrame',1,'endFrame',792,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','Human7','path','E:\Datasets\OTB100\Human7\img\','startFrame',1,'endFrame',250,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','Human8','path','E:\Datasets\OTB100\Human8\img\','startFrame',1,'endFrame',128,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','Human9','path','E:\Datasets\OTB100\Human9\img\','startFrame',1,'endFrame',305,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','Jump','path','E:\Datasets\OTB100\Jump\img\','startFrame',1,'endFrame',122,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','KiteSurf','path','E:\Datasets\OTB100\KiteSurf\img\','startFrame',1,'endFrame',84,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','Man','path','E:\Datasets\OTB100\Man\img\','startFrame',1,'endFrame',134,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','Panda','path','E:\Datasets\OTB100\Panda\img\','startFrame',1,'endFrame',1000,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','RedTeam','path','E:\Datasets\OTB100\RedTeam\img\','startFrame',1,'endFrame',1918,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','Rubik','path','E:\Datasets\OTB100\Rubik\img\','startFrame',1,'endFrame',1997,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','Skater','path','E:\Datasets\OTB100\Skater\img\','startFrame',1,'endFrame',160,'nz',4,'ext','jpg','init_rect', [0,0,0,0])...
    struct('name','Skater2','path','E:\Datasets\OTB100\Skater2\img\','startFrame',1,'endFrame',435,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','Skating2-1','path','E:\Datasets\OTB100\Skating2\img\','startFrame',1,'endFrame',473,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','Skating2-2','path','E:\Datasets\OTB100\Skating2\img\','startFrame',1,'endFrame',473,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','Surfer','path','E:\Datasets\OTB100\Surfer\img\','startFrame',1,'endFrame',376,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','Toy','path','E:\Datasets\OTB100\Toy\img\','startFrame',1,'endFrame',271,'nz',4,'ext','jpg','init_rect',[0,0,0,0])...
    struct('name','Trans','path','E:\Datasets\OTB100\Trans\img\','startFrame',1,'endFrame',124,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','Twinnings','path','E:\Datasets\OTB100\Twinnings\img\','startFrame',1,'endFrame',472,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','Vase','path','E:\Datasets\OTB100\Vase\img\','startFrame',1,'endFrame',271,'nz',4,'ext','jpg','init_rect', [0,0,0,0])};
 
seqOTB50={
     struct('name','basketball','path','E:\Datasets\OTB100\basketball\img\','startFrame',1,'endFrame',725,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','Biker','path','E:\Datasets\OTB100\Biker\img\','startFrame',1,'endFrame',142,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','Bird1','path','E:\Datasets\OTB100\Bird1\img\','startFrame',1,'endFrame',408,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','BlurBody','path','E:\Datasets\OTB100\BlurBody\img\','startFrame',1,'endFrame',334,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','BlurCar2','path','E:\Datasets\OTB100\BlurCar2\img\','startFrame',1,'endFrame',585,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','BlurFace','path','E:\Datasets\OTB100\BlurFace\img\','startFrame',1,'endFrame',493,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','BlurOwl','path','E:\Datasets\OTB100\BlurOwl\img\','startFrame',1,'endFrame',631,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','bolt','path','E:\Datasets\OTB100\bolt\img\','startFrame',1,'endFrame',350,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','Box','path','E:\Datasets\OTB100\Box\img\','startFrame',1,'endFrame',1161,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','Car1','path','E:\Datasets\OTB100\Car1\img\','startFrame',1,'endFrame',1020,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','car4','path','E:\Datasets\OTB100\car4\img\','startFrame',1,'endFrame',659,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','carDark','path','E:\Datasets\OTB100\carDark\img\','startFrame',1,'endFrame',393,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','carScale','path','E:\Datasets\OTB100\carScale\img\','startFrame',1,'endFrame',252,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','ClifBar','path','E:\Datasets\OTB100\ClifBar\img\','startFrame',1,'endFrame',472,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','couple','path','E:\Datasets\OTB100\couple\img\','startFrame',1,'endFrame',140,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','Crowds','path','E:\Datasets\OTB100\Crowds\img\','startFrame',1,'endFrame',347,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','david','path','E:\Datasets\OTB100\david\img\','startFrame',300,'endFrame',770,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','deer','path','E:\Datasets\OTB100\deer\img\','startFrame',1,'endFrame',71,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','Diving','path','E:\Datasets\OTB100\Diving\img\','startFrame',1,'endFrame',215,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','DragonBaby','path','E:\Datasets\OTB100\DragonBaby\img\','startFrame',1,'endFrame',113,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','dudek','path','E:\Datasets\OTB100\dudek\img\','startFrame',1,'endFrame',1145,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','football','path','E:\Datasets\OTB100\football\img\','startFrame',1,'endFrame',362,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','freeman4','path','E:\Datasets\OTB100\freeman4\img\','startFrame',1,'endFrame',283,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','girl','path','E:\Datasets\OTB100\girl\img\','startFrame',1,'endFrame',500,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','Human3','path','E:\Datasets\OTB100\Human3\img\','startFrame',1,'endFrame',1698,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','Human4','path','E:\Datasets\OTB100\Human4\img\','startFrame',1,'endFrame',667,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','Human6','path','E:\Datasets\OTB100\Human6\img\','startFrame',1,'endFrame',792,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','Human9','path','E:\Datasets\OTB100\Human9\img\','startFrame',1,'endFrame',305,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','ironman','path','E:\Datasets\OTB100\ironman\img\','startFrame',1,'endFrame',166,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','Jump','path','E:\Datasets\OTB100\Jump\img\img\img\','startFrame',1,'endFrame',122,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','jumping','path','E:\Datasets\OTB100\jumping\img\','startFrame',1,'endFrame',313,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','liquor','path','E:\Datasets\OTB100\liquor\img\','startFrame',1,'endFrame',1741,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','matrix','path','E:\Datasets\OTB100\matrix\img\','startFrame',1,'endFrame',100,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','motorRolling','path','E:\Datasets\OTB100\motorRolling\img\','startFrame',1,'endFrame',164,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','Panda','path','E:\Datasets\OTB100\Panda\img\','startFrame',1,'endFrame',1000,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','RedTeam','path','E:\Datasets\OTB100\RedTeam\img\','startFrame',1,'endFrame',1918,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','shaking','path','E:\Datasets\OTB100\shaking\img\','startFrame',1,'endFrame',365,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','singer2','path','E:\Datasets\OTB100\singer2\img\','startFrame',1,'endFrame',366,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','skating1','path','E:\Datasets\OTB100\skating1\img\','startFrame',1,'endFrame',400,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','Skating2-1','path','E:\Datasets\OTB100\Skating2\img\','startFrame',1,'endFrame',473,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','Skating2-2','path','E:\Datasets\OTB100\Skating2\img\','startFrame',1,'endFrame',473,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','skiing','path','E:\Datasets\OTB100\skiing\img\','startFrame',1,'endFrame',81,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','soccer','path','E:\Datasets\OTB100\soccer\img\','startFrame',1,'endFrame',392,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','Surfer','path','E:\Datasets\OTB100\Surfer\img\','startFrame',1,'endFrame',376,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','sylvester','path','E:\Datasets\OTB100\sylvester\img\','startFrame',1,'endFrame',1345,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','tiger2','path','E:\Datasets\OTB100\tiger2\img\','startFrame',1,'endFrame',365,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','trellis','path','E:\Datasets\OTB100\trellis\img\','startFrame',1,'endFrame',569,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','walking2','path','E:\Datasets\OTB100\walking2\img\','startFrame',1,'endFrame',500,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','walking','path','E:\Datasets\OTB100\walking\img\','startFrame',1,'endFrame',412,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','woman','path','E:\Datasets\OTB100\woman\img\','startFrame',1,'endFrame',597,'nz',4,'ext','jpg','init_rect', [0,0,0,0])};
 
% seqs=[seqIVT,seqVTD,seqOther]; %OTB-2013
seqs=[seqIVT,seqVTD,seqOther,seqOTB49_100];   %OTB100
% seqs = seqOTB50;   %OTB50

更改自己的路径即可。
运行的时候，anno文件也会有问题。
参考博客，进行下载替换即可。

4.运行

到这一步，直接运行main_running.m就可以了。
出现的小问题总结：
1.运行出现1_VR, 1_woman: 1/1 error的情况：
建议：把configTrackers.m文件中的

trackers = [trackersVIVID,trackers1,trackersEXE];

只选择：trackers = [trackers1];
2.由于 ‘.\results\results_OPE_CVPR13’ 不存在，无法创建 ‘soccer_VR.mat’。
建议：自己手动新建results_OPE_CVPR13文件夹。
为什么出现这个的错误：是应该在main_running.m中将
evalType=‘TRE’; %‘OPE’,‘SRE’,‘TRE’
修改为：evalType=‘OPE’; %‘OPE’,‘SRE’,‘TRE’
未修改结果存放路径：finalPath = [’./results/results_’ evalType ‘_CVPR13/’];

常用地方代码解释：
main_running.m
21行：
evalType就是选择跑OPE、TRE、SRE三种中的一种

evalType='TRE'; %'OPE','SRE','TRE'

28行：
运行跟踪算法返回的结果存放在result文件夹下的目录，结果的存放形式是mat

finalPath = ['./results/results_' evalType '_CVPR13/'];

perfPlot.m
103行：
画三种图，进行选择，可以只保留你想出的图，其他的删除。

evalTypeSet = {
     'SRE', 'TRE', 'OPE'};

105行：
这里原来是AUC，只能出成功率（success）图，要想出精度（precision）图的话，需要修改为threshold。这样就可以两种图都出。

rankingType = 'AUC';%AUC, threshod

注意，源码注释中的threshold拼写有误。改正即可。

如何添加自己的算法呢？
简单说一说吧。我还是建议大家使用python版本的，现在大多数都开始学习深学方面的目标跟踪算法了，大多数都是python程序了，与matlab的接口不是很方便，涉及到MAT文件的转化问题。还是比较麻烦的。（在python环境下得到txt转化成mat文件，使用matlab程序进行画图）
1.在trackers路径下新建要添加的文件夹，并且将算法代码放入文件夹中。
2.最重要的一步就是需要写一个将自己算法的输入输出对接到benchmark中的脚本run_tracker.m文件，打开其他算法时会发现每个算法中都会有run_tracker.m文件，例如run_CT.m run_CSK.m
这步很简单，参照其它算法例如：run_CT.m对比CT.m文件看到第一行的输入和最后一行的输出进行了统一，

function results=run_CT(seq, res_path, bSaveImage)


results.res=res;

results.type='rect';

results.fps=(seq.len-1)/duration;

disp(['fps: ' num2str(results.fps)])

输入：Seq代表着输入的图片，要将算法中输入的图片用Seq来代替

输出：res代表跟踪位置type 类型
3.修改完run_XXX.m之后。就是configtracker中加入算法的结构体。
struct(‘name’,‘xxx’,‘namePaper’,‘xxx’)
保存后就可以运行OTB的main_running.m获取自己修改的算法结果了。
例如：

trackersSiamfc={
     struct('name','siamfc','namePaper','SiamFC')};
trackers = trackersSiamfc;

5.显示

运行drawResultBB.m，跟踪结果保存在tracker_benchmark_v1.0\tmp\imgs目录中。

pathRes = '.\results\results_SRE_CVPR13\';% The folder containing the tracking results
pathDraw = '.\tmp\imgs\';% The folder that will stores the images with overlaid bounding box

pathRes 为默认读取mat文件
pathDraw 为图片存储位置。

seqs=configSeqs;

trks=configTrackers;

seqs读取configSeqs.m文件配置，trks读取configTrackers.m文件配置。
可以修改configTrackers.m中的trackers包含的算法来看，跟踪结果。
其中tracker排序是你在configTrackers.m文件中的tracker排序，对应的红色是第一个tracker，绿色是第二个tracker，一次类推。
把自己的跟踪算法，加入到trackers中就可以显示跟踪过程结果。

6.画图

注：如果更新算法得到新的跟踪结果mat文件，在plot之前，请务必先删除 tracker_benchmark_v1.0\perfMat\overall目录下的所有.mat文件，否则数据将不会更新。
每次运行前先删除上次perfMat/overall中的文件。
多个算法对比：
更改configTrackers.m，例如

function trackers=configTrackers
trackersNew={
     
    struct('name','SMS','namePaper','SMS'),...
    struct('name','CT','namePaper','CT'),...
    struct('name','TLD','namePaper','TLD'),...
    struct('name','CSK','namePaper','CSK');
trackers = trackersNew;

画图的时候，如何出现如下的报错：

原因是：缺少Bird1_TLD.mat文件。
因为原本的自带的跟踪结果mat文件只针对OTB50的训练结果，如果自己训练的是OTB100的，进行比较时，seq设置的也是OTB100，那么进行画图的时候，就直接调用seq相关的mat文件，而TLD算法没有进行过OTB100的训练就缺少相关序列结果mat,就没办法画图。
解决方法：
测试对比的算法，每一个都要在自己设置的seq下训练出mat,就可以直接画图了。

具体方法在论文中有详细介绍：

Wu Y, Lim J, Yang M H. Online object tracking: A benchmark [C]// CVPR, 2013.
Wu Y, Lim J, Yang M H. Object tracking benchmark [J]. TPAMI, 2015.

整理不易，喜欢点赞。

上一篇：2020版本的pycharm支持官方汉化了
下一篇：学习 PySOT(1)（介绍、配置、使用）

你可能感兴趣的:(目标跟踪,目标跟踪)

yolov5单目测距+速度测量+目标跟踪 cv_2025 YOLO 目标跟踪人工智能计算机视觉机器学习图像处理 opencv
要在YOLOv5中添加测距和测速功能，您需要了解以下两个部分的原理：单目测距算法单目测距是使用单个摄像头来估计场景中物体的距离。常见的单目测距算法包括基于视差的方法（如立体匹配）和基于深度学习的方法（如神经网络）。基于深度学习的方法通常使用卷积神经网络（CNN）来学习从图像到深度图的映射关系。单目测距代码单目测距涉及到坐标转换，代码如下：defconvert_2D_to_3D(point2D,R,
PaddleDetection多目标跟踪报错MCMOTEvaluator is not exist, so the MOTA will be -INF ATM006 目标检测
ppdet.metrics.mcmot_metricsWARNING:gt_filename'{}'ofMCMOTEvaluatorisnotexist,sotheMOTAwillbe-INFPaddleDetection/ppdet/metrics/mcmot_metrics.pyclassMCMOTEvaluator(object):def__init__(self,data_root,seq
计算机设计大赛深度学习交通车辆流量分析 - 目标检测与跟踪 - python opencv iuerfee python
文章目录0前言1课题背景2实现效果3DeepSORT车辆跟踪3.1DeepSORT多目标跟踪算法3.2算法流程4YOLOV5算法4.1网络架构图4.2输入端4.3基准网络4.4Neck网络4.5Head输出层5最后0前言优质竞赛项目系列，今天要分享的是**基于深度学习得交通车辆流量分析**该项目较为新颖，适合作为竞赛课题方向，学长非常推荐！学长这里给一个题目综合评分(每项满分5分)难度系数：3分工
互联网加竞赛多目标跟踪算法实时检测 - opencv 深度学习机器视觉 Mr.D学长 python java
文章目录0前言2先上成果3多目标跟踪的两种方法3.1方法13.2方法24TrackingByDetecting的跟踪过程4.1存在的问题4.2基于轨迹预测的跟踪方式5训练代码6最后0前言优质竞赛项目系列，今天要分享的是深度学习多目标跟踪实时检测该项目较为新颖，适合作为竞赛课题方向，学长非常推荐！学长这里给一个题目综合评分(每项满分5分)难度系数：3分工作量：3分创新点：4分更多资料,项目分享：ht
【目标跟踪】提供一种简单跟踪测距方法（c++）读书猿目标跟踪 c++人工智能
文章目录一、前言二、c++代码2.1、Tracking2.2、KalmanTracking2.3、Hungarian2.4、TrackingInfo三、调用示例四、结果一、前言在许多目标检测应用场景中，完完全全依赖目标检测对下游是很难做出有效判断，如漏检。检测后都会加入跟踪进行一些判断或者说补偿。而在智能驾驶中，还需要目标位置信息，所以还需要测距。往期博客介绍了许多处理复杂问题的，而大部分时候我们
利用YOLOv8 pose estimation 进行人的头部等马赛克 shiter 大数据+AI 赋能行业助力企业数字化转型最佳实践案例 YOLO
文章大纲马赛克几种OpenCV实现马赛克的方法高斯模糊poseestimation定位并模糊：三角形的外接圆与膨胀系数实现实现代码实现效果参考文献与学习路径之前写过一个文章记录，怎么对人进行目标检测后打码，但是人脸识别有个问题是，很多人的背影，或者侧面无法识别出来人脸，那么我们就可以用姿态估计中的关键点信息进行补充，对人头进行打码，从而进一步的保护隐私信息。目标跟踪与检测后进行OpenCV人脸识别
吉格勒定理：你是一个有目标的人吗 Garey_8132
心理学家对哈佛大学的一批毕业生进行过一次人生目标跟踪调查。在调查中，研究人员发现：这些毕业生中有3%的人曾经确立了远大的目标；有10%的人有明确的短期目标；有60%的人目标不清晰，只求过好眼下的生活；还有27%的人几乎没有目标，完全是随遇而安。20年后，研究人员惊奇地发现：曾经树立过远大目标的3%的人，大都完成了自己的既定目标，事业有成；那10%的人虽没有卓尔不群，但也是社会中的上层人士；那60%
互联网加竞赛基于深度学习的视频多目标跟踪实现 Mr.D学长 python java
文章目录1前言2先上成果3多目标跟踪的两种方法3.1方法13.2方法24TrackingByDetecting的跟踪过程4.1存在的问题4.2基于轨迹预测的跟踪方式5训练代码6最后1前言优质竞赛项目系列，今天要分享的是基于深度学习的视频多目标跟踪实现该项目较为新颖，适合作为竞赛课题方向，学长非常推荐！更多资料,项目分享：https://gitee.com/dancheng-senior/postg
第九篇【传奇开心果系列】Python的OpenCV技术点案例示例：目标跟踪传奇开心果编程 Python库OpenCV 技术点案例示例短博文 python opencv 目标跟踪
传奇开心果短博文系列系列短博文目录Python的OpenCV技术点案例示例系列短博文目录前言二、常用的目标跟踪功能、高级功能和增强跟踪技术介绍三、常用的目标跟踪功能示例代码四、OpenCV高级功能示例代码五、OpenCV跟踪目标增强技术示例代码六、归纳总结系列短博文目录Python的OpenCV技术点案例示例系列短博文目录前言目标跟踪：包括多目标跟踪、运动目标跟踪等功能。OpenCV是一个流行的计
【Visual Object Tracking】Learning notes bryant_meng CNN /Transformer 读书笔记深度学习人工智能单目标跟踪 VOT
DenseOpticalTracking:ConnectingtheDots参考学习来自：单目标跟踪Siamese系列网络：SiamFC、SiamRPN、one-shot跟踪、one-shotting单样本学习、DaSiamRPN、SiamRPN++、SiamMask单目标跟踪：跟踪效果/单目标跟踪：数据集处理/单目标跟踪：模型搭建/单目标跟踪：模型训练/单目标跟踪：模型测试单目标跟踪SiamMa
开源计算机视觉库OpenCV详解和实际运用案例黑夜照亮前行的路计算机视觉
开源计算机视觉库OpenCV是一个功能强大的工具，广泛应用于图像处理和计算机视觉领域。它包含许多优化算法，涵盖了图像处理、特征检测、目标跟踪等多个方面的功能。以下是对OpenCV的详细解释和一些实际应用案例。一、OpenCV的模块和功能OpenCV主要包含以下几个模块：核心功能模块：包含基本的图像处理和计算机视觉功能，如图像读取、显示、保存、变换等。图像处理模块：提供一系列图像处理算法，如滤波、边
室内定位系列 _49_
室内定位系列（一）——WiFi位置指纹（译）室内定位系列（二）——仿真获取RSS数据室内定位系列（三）——位置指纹法的实现（KNN）室内定位系列（四）——位置指纹法的实现（测试各种机器学习分类器）室内定位系列（五）——目标跟踪（卡尔曼滤波）室内定位系列（六）——目标跟踪（粒子滤波）
【目标跟踪】相机运动补偿读书猿目标跟踪自动驾驶目标检测
文章目录一、前言二、简介三、改进思路3.1、状态定义3.2、相机运动补偿3.3、iou和ReID融合3.4、改进总结四、相机运动补偿一、前言目前MOT(MultipleObjectTracking)最有效的方法仍然是Tracking-by-detection。今天给大家分享一篇论文BoT-SORT。论文地址，论文声称很牛*，各种屠榜，今天我们就来一探究竟。主要是分享论文提出的改进点以及分享在自己的
计算机视觉中的目标跟踪小北的北计算机视觉目标跟踪人工智能机器学习
从保护我们城市的监控系统到自动驾驶车辆在道路上行驶，目标跟踪已经成为计算机视觉中的一项基础技术。本文深入探讨了目标跟踪，探索了其基本原理、多样化的方法以及在现实世界中的应用。什么是目标跟踪？目标跟踪是深度学习在计算机视觉中广泛应用的重要应用之一。它指的是在动态环境中通过分析轨迹自动识别和跟踪物体，一旦初始位置已知。目标跟踪隐式地使用技术来识别和分类帧中的对象，并为每个对象关联一个唯一的标识。通常，
计算机视觉实战项目4（单目测距与测速+摔倒检测+目标检测+目标跟踪+姿态识别+车道线识别+车牌识别+无人机检测+A_路径规划+行人车辆计数+动物识别等）阿利同学计算机视觉目标检测单目测距目标跟踪姿态识别实力分割摔倒检测
基于YOLOv5的无人机视频检测与计数系统摘要：无人机技术的快速发展和广泛应用给社会带来了巨大的便利，但也带来了一系列的安全隐患。为了实现对无人机的有效管理和监控，本文提出了一种基于YOLOv5的无人机视频检测与计数系统。该系统通过使用YOLOv5目标检测算法，能够准确地检测无人机，并实时计数其数量，提供给用户可视化的监控界面。原文链接：https://blog.csdn.net/ALiLiLiY
【目标跟踪】3D点云跟踪读书猿目标跟踪 3d 人工智能
文章目录一、前言二、代码目录三、代码解读3.1、文件描述3.2、代码框架四、关联矩阵计算4.1、ComputeLocationDistance4.2、ComputeDirectionDistance4.3、ComputeBboxSizeDistance4.4、ComputePointNumDistance4.5、ComputePointNumDistance4.6、result_distance五
计算机视觉实战项目3（图像分类+目标检测+目标跟踪+姿态识别+车道线识别+车牌识别+无人机检测+A*路径规划+单目测距与测速+行人车辆计数等）毕设阿力计算机视觉目标检测目标跟踪
车辆跟踪及测距该项目一个基于深度学习和目标跟踪算法的项目，主要用于实现视频中的目标检测和跟踪。该项目使用了YOLOv5目标检测算法和DeepSORT目标跟踪算法，以及一些辅助工具和库，可以帮助用户快速地在本地或者云端上实现视频目标检测和跟踪！教程博客_传送门链接------->yolov5单目测距+速度测量+目标跟踪（算法介绍和代码）-CSDN博客yolov5deepsort行人/车辆（检测+计数
DeepSORT算法实现车辆和行人跟踪计数和是否道路违规检测（代码＋教程）毕设阿力算法
DeepSORT算法是一种用于目标跟踪的算法，它可以对车辆和行人进行跟踪计数，并且可以检测是否存在道路违规行为。该算法采用深度学习技术来提取特征，并使用卡尔曼滤波器来估计物体的速度和位置。DeepSORT算法通过首先使用目标检测算法来识别出场景中的车辆和行人，然后使用卷积神经网络（CNN）来提取物体的特征。接着，该算法使用余弦相似度来计算物体之间的相似度，并使用匈牙利算法来匹配跟踪器和检测器之间的
yolov5 deepsort 行人/车辆（检测 +计数+跟踪+测距+测速）毕设阿力 YOLO 目标跟踪目标检测
YOLOv5和DeepSORT是两种常用的计算机视觉技术，它们可以结合使用以实现行人和车辆的目标检测和跟踪。这种技术在交通监控、智慧城市等领域中具有广泛的应用。YOLOv5是一种基于深度学习的目标检测算法，它可以实现高效的目标检测和分类。与传统的目标检测算法相比，YOLOv5具有更快的检测速度和更高的准确率。而DeepSORT则是一种基于多目标跟踪的算法，它可以对相邻帧之间的目标进行跟踪，并输出目
[MOT Challenge]官方生成多目标跟踪算法性能评价指标结果，解决test数据集没有gt文件和官网注册问题 Bartender_Jill 目标跟踪人工智能计算机视觉
文章目录⭐⭐⭐内容修正前言一、账号注册1.不要用QQ或163或gmail邮箱2.正常注册流程二、上传测试结果的流程1.使用步骤总结⭐⭐⭐内容修正我先前于2023/4/5日的时候在文章里提到：“提交到官网的文件需要包含测试后的训练集结果和测试后的测试集结果”，该结论经过测试后发现有误。个人于2023/12/8日在评论区的提醒下对MOTChallenge的内容提交进行了重新测试，发现提交到官网的文件并
数字信号处理7——点到向量的距离注释远方数字信号处理算法
目录一、前言二、点到线段的最短距离——向量法三、点到直线的最短距离——直线法四、点到直线最短距离——向量法一、前言其实在工程应用中很多情况下计算点到直线或者点到线段的距离，比如在unity3d游戏软件设计中计算任意形状路径起点和终点连线距离最远的点，比如用于雷达聚类后在多目标跟踪算法中计算哪个sensor距离track最近，另外还需要知道要计算的点位于直线的哪一侧，这些计算在游戏开发或者数字信号后
深度视觉目标跟踪进展综述-论文笔记 pzb19841116 计算机视觉目标跟踪人工智能计算机视觉
中科大学报上的一篇综述，总结得很详细，整理了相关笔记。1引言目标跟踪旨在基于初始帧中指定的感兴趣目标(一般用矩形框表示)，在后续帧中对该目标进行持续的定位。基于深度学习的跟踪算法，采用的框架包括相关滤波器、分类式网络、双路网络等。处理跟踪任务的角度，分为基于匹配思路的双路网络和基于二分类的辨别式跟踪器。最初的深度跟踪算法聚焦于相关滤波器，通过深度学习的特征+相关滤波器实现。基于双路网络跟踪算法那，
FastDeploy项目简介，使用其进行（图像分类、目标检测、语义分割、文本检测|orc部署）万里鹏程转瞬至深度学习python库使用目标检测深度学习模型部署
FastDeploy是一款全场景、易用灵活、极致高效的AI推理部署工具，支持云边端部署。提供超过160+Text，Vision，Speech和跨模态模型开箱即用的部署体验，并实现端到端的推理性能优化。包括物体检测、字符识别（OCR）、人脸、人像扣图、多目标跟踪系统、NLP、StableDiffusion文图生成、TTS等几十种任务场景，满足开发者多场景、多硬件、多平台的产业部署需求。1、FastD
基于卡尔曼滤波的平面轨迹优化点PY 机器人导航定位 c++卡尔曼滤波
文章目录概要卡尔曼滤波代码主函数代码CMakeLists.txt概要在进行目标跟踪时，算法实时测量得到的目标平面位置，是具有误差的，连续观测，所形成的轨迹如下图所示，需要对其进行噪声滤除。这篇博客将使用卡尔曼滤波，对轨迹进行优化。优化的结果为黄色线。卡尔曼滤波代码#include
RT-DETR原理与简介（干翻YOLO的最新目标检测项目）毕设阿力 YOLO 目标检测人工智能
RT-DETR（Real-TimeDetection,Embedding,andTracking）是一种基于Transformer的实时目标检测、嵌入和跟踪模型。它通过结合目标检测、特征嵌入和目标跟踪三个任务，实现了高效准确的实时目标识别和跟踪。RT-DETR的核心思想是将目标检测和目标跟踪这两个传统独立的任务进行统一建模，并利用Transformer网络进行特征提取和关联学习。相比于传统的两阶段
基于多传感器的后融合的目标跟踪如何实现？都有哪些基本流程？自动驾驶之心目标跟踪人工智能计算机视觉机器学习
点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取讲师：Edison课程内容：基于多传感器后融合的目标跟踪(0.课前导学1.自动驾驶中的融合跟踪)笔记作者：王汝嘉0.课前导学0.1主讲人介绍0.2课程关键词0.3学习资料推荐1.自动驾驶中的融合跟踪1.1自动驾驶中的感知任务1.2多传感器融合的主要方法1.3多传感器融合跟踪的基本流程1.4多目标跟踪的数据集与性能指标以上内容均出自《
【目标跟踪】多相机环视跟踪读书猿目标跟踪人工智能自动驾驶
文章目录一、前言二、流程图三、实现原理3.1、初始化3.2、输入3.3、初始航迹3.4、航迹预测3.5、航迹匹配3.6、输出结果四、c++代码五、总结一、前言多相机目标跟踪主要是为了实现360度跟踪。单相机检测存在左右后的盲区视野。在智能驾驶领域，要想靠相机实现无人驾驶，相机必须360度无死角全覆盖。博主提供一种非深度学习方法，采用kalman滤波+匈牙利匹配方式实现环视跟踪。有兴趣可以参考往期【
互联网加竞赛基于机器视觉的车道线检测 Mr.D学长 python java
文章目录1前言2先上成果3车道线4问题抽象(建立模型)5帧掩码(FrameMask)6车道检测的图像预处理7图像阈值化8霍夫线变换9实现车道检测9.1帧掩码创建9.2图像预处理9.2.1图像阈值化9.2.2霍夫线变换最后1前言优质竞赛项目系列，今天要分享的是基于深度学习的视频多目标跟踪实现该项目较为新颖，适合作为竞赛课题方向，学长非常推荐！更多资料,项目分享：https://gitee.com/d
Unity之Cinemachine教程 passionyxt Unity unity 游戏引擎 Timeline Cinemachine 相机跟随轨迹相机拍摄相机
前言Cinemachine是Unity引擎的一个高级相机系统，旨在简化和改善游戏中的相机管理。Cinemachine提供了一组强大而灵活的工具，可用于创建令人印象深刻的视觉效果，使开发人员能够更轻松地掌控游戏中的摄像机行为。主要功能和特性包括：1.虚拟摄像机系统：Cinemachine引入了虚拟摄像机的概念，允许开发人员使用相机组件的虚拟实例，而不必直接操作实际摄像机。2.目标跟踪：Cinemac
『论文阅读|2024 WACV 多目标跟踪Deep-EloU|纯中文版』 Dymc 论文深度学习深度学习
论文题目：IterativeScale-UpExpansionIoUandDeepFeaturesAssociationforMulti-ObjectTrackinginSports论文特点：作者提出了一种迭代扩展的ExpansionIoU和深度特征关联方法Deep-EIoU，用于体育场景中的多目标跟踪，旨在解决非线性、不规则运动、相似外观的在线短时多目标跟踪问题，实验表明，提出的方法对于提高跟踪
[黑洞与暗粒子]没有光的世界 comsci
无论是相对论还是其它现代物理学,都显然有个缺陷,那就是必须有光才能够计算但是,我相信,在我们的世界和宇宙平面中,肯定存在没有光的世界.... 那么,在没有光的世界,光子和其它粒子的规律无法被应用和考察,那么以光速为核心的 &nbs
jQuery Lazy Load 图片延迟加载 aijuans jquery
基于 jQuery 的图片延迟加载插件，在用户滚动页面到图片之后才进行加载。对于有较多的图片的网页，使用图片延迟加载，能有效的提高页面加载速度。版本： jQuery v1.4.4+ jQuery Lazy Load v1.7.2 注意事项：需要真正实现图片延迟加载，必须将真实图片地址写在 data-original 属性中。若 src
使用Jodd的优点 Kai_Ge jodd
1. 简化和统一 controller ，抛弃 extends SimpleFormController ，统一使用 implements Controller 的方式。 2. 简化 JSP 页面的 bind, 不需要一个字段一个字段的绑定。 3. 对 bean 没有任何要求，可以使用任意的 bean 做为 formBean。使用方法简介
jpa Query转hibernate Query 120153216 Hibernate
public List<Map> getMapList(String hql, Map map) { org.hibernate.Query jpaQuery = entityManager.createQuery(hql); if (null != map) { for (String parameter : map.keySet()) { jp
Django_Python3添加MySQL/MariaDB支持 2002wmj mariaDB
现状首先，[email protected] 中默认的引擎为 django.db.backends.mysql 。但是在Python3中如果这样写的话，会发现 django.db.backends.mysql 依赖 MySQLdb[5] ，而 MySQLdb 又不兼容 Python3 于是要找一种新的方式来继续使用MySQL。 MySQL官方的方案首先据MySQL文档[3]说，自从MySQL
在SQLSERVER中查找消耗IO最多的SQL 357029540 SQL Server
返回做IO数目最多的50条语句以及它们的执行计划。 select top 50 (total_logical_reads/execution_count) as avg_logical_reads, (total_logical_writes/execution_count) as avg_logical_writes, (tot
spring UnChecked 异常官方定义！ 7454103 spring
如果你接触过spring的事物管理！那么你必须明白 spring的非捕获异常！即 unchecked 异常！因为 spring 默认这类异常事物自动回滚！！ public static boolean isCheckedException(Throwable ex) { return !(ex instanceof RuntimeExcep
mongoDB 入门指南、示例 adminjun java mongodb 操作
一、准备工作 1、下载mongoDB 下载地址：http://www.mongodb.org/downloads 选择合适你的版本相关文档：http://www.mongodb.org/display/DOCS/Tutorial 2、安装mongoDB A、不解压模式：将下载下来的mongoDB-xxx.zip打开，找到bin目录，运行mongod.exe就可以启动服务，默
CUDA 5 Release Candidate Now Available aijuans CUDA
The CUDA 5 Release Candidate is now available at http://developer.nvidia.com/<wbr></wbr>cuda/cuda-pre-production. Now applicable to a broader set of algorithms, CUDA 5 has advanced fe
Essential Studio for WinRT网格控件测评 Axiba JavaScript html5
Essential Studio for WinRT界面控件包含了商业平板应用程序开发中所需的所有控件，如市场上运行速度最快的grid 和chart、地图、RDL报表查看器、丰富的文本查看器及图表等等。同时，该控件还包含了一组独特的库，用于从WinRT应用程序中生成Excel、Word以及PDF格式的文件。此文将对其另外一个强大的控件——网格控件进行专门的测评详述。网格控件功能 1、
java 获取windows系统安装的证书或证书链 bewithme windows
有时需要获取windows系统安装的证书或证书链，比如说你要通过证书来创建java的密钥库。有关证书链的解释可以查看此处。 public static void main(String[] args) { SunMSCAPI providerMSCAPI = new SunMSCAPI(); S
NoSQL数据库之Redis数据库管理(set类型和zset类型) bijian1013 redis 数据库 NoSQL
4.sets类型 Set是集合，它是string类型的无序集合。set是通过hash table实现的，添加、删除和查找的复杂度都是O(1)。对集合我们可以取并集、交集、差集。通过这些操作我们可以实现sns中的好友推荐和blog的tag功能。 sadd：向名称为key的set中添加元
异常捕获何时用Exception，何时用Throwable bingyingao
用Exception的情况 try { //可能发生空指针、数组溢出等异常 } catch (Exception e) {
【Kafka四】Kakfa伪分布式安装 bit1129 kafka
在http://bit1129.iteye.com/blog/2174791一文中，实现了单Kafka服务器的安装，在Kafka中，每个Kafka服务器称为一个broker。本文简单介绍下，在单机环境下Kafka的伪分布式安装和测试验证 1. 安装步骤 Kafka伪分布式安装的思路跟Zookeeper的伪分布式安装思路完全一样，不过比Zookeeper稍微简单些(不
Project Euler bookjovi haskell
Project Euler是个数学问题求解网站，网站设计的很有意思，有很多problem，在未提交正确答案前不能查看problem的overview，也不能查看关于problem的discussion thread，只能看到现在problem已经被多少人解决了，人数越多往往代表问题越容易。看看problem 1吧： Add all the natural num
Java-Collections Framework学习与总结-ArrayDeque BrokenDreams Collections
表、栈和队列是三种基本的数据结构，前面总结的ArrayList和LinkedList可以作为任意一种数据结构来使用，当然由于实现方式的不同，操作的效率也会不同。这篇要看一下java.util.ArrayDeque。从命名上看
读《研磨设计模式》-代码笔记-装饰模式-Decorator bylijinnan java 设计模式
声明：本文只为方便我个人查阅和理解，详细的分析以及源代码请移步原作者的博客http://chjavach.iteye.com/ import java.io.BufferedOutputStream; import java.io.DataOutputStream; import java.io.FileOutputStream; import java.io.Fi
Maven学习(一) chenyu19891124 Maven私服
学习一门技术和工具总得花费一段时间，5月底6月初自己学习了一些工具，maven+Hudson+nexus的搭建，对于maven以前只是听说，顺便再自己的电脑上搭建了一个maven环境，但是完全不了解maven这一强大的构建工具，还有ant也是一个构建工具，但ant就没有maven那么的简单方便，其实简单点说maven是一个运用命令行就能完成构建，测试，打包，发布一系列功
[原创]JWFD工作流引擎设计----节点匹配搜索算法(用于初步解决条件异步汇聚问题) 补充 comsci 算法工作 PHP 搜索引擎嵌入式
本文主要介绍在JWFD工作流引擎设计中遇到的一个实际问题的解决方案，请参考我的博文"带条件选择的并行汇聚路由问题"中图例A2描述的情况(http://comsci.iteye.com/blog/339756),我现在把我对图例A2的一个解决方案公布出来，请大家多指点节点匹配搜索算法(用于解决标准对称流程图条件汇聚点运行控制参数的算法) 需要解决的问题：已知分支
Linux中用shell获取昨天、明天或多天前的日期 daizj linux shell 上几年昨天获取上几个月
在Linux中可以通过date命令获取昨天、明天、上个月、下个月、上一年和下一年 # 获取昨天 date -d 'yesterday' # 或 date -d 'last day' # 获取明天 date -d 'tomorrow' # 或 date -d 'next day' # 获取上个月 date -d 'last month' #
我所理解的云计算 dongwei_6688 云计算
在刚开始接触到一个概念时，人们往往都会去探寻这个概念的含义，以达到对其有一个感性的认知，在Wikipedia上关于“云计算”是这么定义的，它说： Cloud computing is a phrase used to describe a variety of computing co
YII CMenu配置 dcj3sjt126com yii
Adding id and class names to CMenu We use the id and htmlOptions to accomplish this. Watch. //in your view $this->widget('zii.widgets.CMenu', array( 'id'=>'myMenu', 'items'=>$this-&g
设计模式之静态代理与动态代理 come_for_dream 设计模式
静态代理与动态代理代理模式是java开发中用到的相对比较多的设计模式，其中的思想就是主业务和相关业务分离。所谓的代理设计就是指由一个代理主题来操作真实主题，真实主题执行具体的业务操作，而代理主题负责其他相关业务的处理。比如我们在进行删除操作的时候需要检验一下用户是否登陆，我们可以删除看成主业务，而把检验用户是否登陆看成其相关业务
【转】理解Javascript 系列 gcc2ge JavaScript
理解Javascript_13_执行模型详解摘要: 在《理解Javascript_12_执行模型浅析》一文中,我们初步的了解了执行上下文与作用域的概念，那么这一篇将深入分析执行上下文的构建过程，了解执行上下文、函数对象、作用域三者之间的关系。函数执行环境简单的代码:当调用say方法时，第一步是创建其执行环境，在创建执行环境的过程中，会按照定义的先后顺序完成一系列操作:1.首先会创建一个
Subsets II hcx2013 set
Given a collection of integers that might contain duplicates, nums, return all possible subsets. Note: Elements in a subset must be in non-descending order. The solution set must not conta
Spring4.1新特性——Spring缓存框架增强 jinnianshilongnian spring4
目录 Spring4.1新特性——综述 Spring4.1新特性——Spring核心部分及其他 Spring4.1新特性——Spring缓存框架增强 Spring4.1新特性——异步调用和事件机制的异常处理 Spring4.1新特性——数据库集成测试脚本初始化 Spring4.1新特性——Spring MVC增强 Spring4.1新特性——页面自动化测试框架Spring MVC T
shell嵌套expect执行命令 liyonghui160com
一直都想把expect的操作写到bash脚本里,这样就不用我再写两个脚本来执行了,搞了一下午终于有点小成就,给大家看看吧. 系统:centos 5.x 1.先安装expect yum -y install expect 2.脚本内容: cat auto_svn.sh #!/bin/bash
Linux实用命令整理 pda158 linux
0. 基本命令　　linux 基本命令整理　　1. 压缩解压　　tar -zcvf a.tar.gz a #把a压缩成a.tar.gz 　　tar -zxvf a.tar.gz #把a.tar.gz解压成a 　　2. vim小结　　2.1 vim替换　　:m,ns/word_1/word_2/gc
独立开发人员通向成功的29个小贴士 shoothao 独立开发
概述：本文收集了关于独立开发人员通向成功需要注意的一些东西,对于具体的每个贴士的注解有兴趣的朋友可以查看下面标注的原文地址。明白你从事独立开发的原因和目的。保持坚持制定计划的好习惯。万事开头难，第一份订单是关键。培养多元化业务技能。提供卓越的服务和品质。谨小慎微。营销是必备技能。学会组织，有条理的工作才是最有效率的。 “独立
JAVA中堆栈和内存分配原理 uule java
1、栈、堆 1.寄存器：最快的存储区, 由编译器根据需求进行分配,我们在程序中无法控制.2. 栈：存放基本类型的变量数据和对象的引用，但对象本身不存放在栈中，而是存放在堆（new 出来的对象）或者常量池中（字符串常量对象存放在常量池中。）3. 堆：存放所有new出来的对象。4. 静态域：存放静态成员（static定义的）5. 常量池：存放字符串常量和基本类型常量（public static f