1樓:砥礪前行的登山者
為了該問題,剛註冊的知乎,已入坑。之前研究經典的追蹤演算法,乃至有種「山中一日,世上已千年」的趕腳。該領域已經漸漸沉浸於相關濾波和深度學習裡,但以前的經典還需好好繼承,舉個小爪爪,以後和大家一起交流目標跟蹤的經驗~~
2樓:Ge皮燉蛋湯
MOSSE,Visual Object Tracking using Adaptive Correlation Filters,CVPR10,相關濾波跟蹤比較早的一篇,不敢說第一篇,但開啟濾波跟蹤。適合作為baseline.
MIL TRACK,也是高被引的一篇,boosting-based方法已經不流行了?
3樓:
之前做過一段時間的跟蹤,說說我在工程上面遇到的難題,那時專注於TLD,CT兩種演算法。
大家也知道這倆演算法在現實環境中效果也是不錯的,就是你滑鼠指定了box,就可以跟蹤上。
但是實際的工程問題是這個box不是你人工指定的,你需要去檢測到,以及你要判斷什麼時候檢測到了。
4樓:bingjilin1125
用深度做的tracking 大家有研究的嗎?最近剛接觸這個,看了FCNT,基於卷積網路的,有幾篇大牛的文章也用到了這個追蹤演算法,精確度挺高的。
5樓:
TLD已經是5年前的方法了吧,在跟蹤精度和速度上都遠遠比不上近兩年的方法。從13年的CVPR出來那個benchmark之後,這兩三年object tracking的發展是飛速的,大家有了公認的可以比較的benchmark和指標,就會推動這個領域的發展。
目前效果好的主要兩大類吧,一種基於CNN,一種基於correlation filter,的確效果很不錯,但是前者受硬體限制,也受速度限制,後者更輕量級,效果和速度也很贊。
入tracking坑快一年了,大牛們速度驚人,這兩年發展很迅速。
6樓:
arxiv.org/pdf/1509.05520.pdf
。從這類方法在benchmark上的測試結果看,feature才是王道啊,換個特徵或者搞幾個特徵融合一下效能立馬上去了。
有時間再更新吧。知乎首答。
7樓:路人
我的研究方向就是目標跟蹤,目前比較流行的是相關濾波演算法的跟蹤 kcf及其各種改進版。如果應用於工業的話建議看下tld和光流跟蹤方面的演算法,tld有redetection功能是目前工業界應用最廣的演算法
現在深度學習已經攻占了這個領域,精度前兩位的演算法都是基於深度學習的。
8樓:James Zhu
既然問的經典演算法,那就幾乎可以毫不猶豫地回答camshift、meanshift、Kalman filter、Optical flow之類的了
凡是低版本的OpenCV裡面提供的函式,肯定用的都是最基礎或者最經典的演算法了。
即使有些過時,但是作為ad hoc方案或者最底層的處理演算法還是不錯的。
舉兩個我自己做過的例子
Kalman filter:
原本是想估算下雲的速度,無意中發現了一架戰鬥機。。。紅圈裡面的出現中途
飛離Optical flow追蹤車輛:
追蹤綠色區域也就是四個路口的車輛通過情況並計數。
主要追蹤演算法就是optical flow
當然preprocessing以及其他輔助演算法也是需要的。
左圖就是背景抽離+區塊融合的中間效果。
右圖是實時追蹤的效果。
9樓:
單目標,無分割:
oab, semib, fct, ivt, mil, vtd, df, tld, l1t, mtt, struck, apg, frag, vts
手機打字,著名的暫時想到這些,有讚再繼續補充~⊙﹏⊙
計算機視覺中,目前有哪些成熟的匹配定位演算法?
opencv自帶的那個surf特徵點配準的是真的不好用,實際幹專案的場景精度很差,每次得等到光照啥的條件好點的時候再配準。 Ronald GMS了解一下 要求實時 精度也不差 orb GMS 要求精度 A SIFT GMS 相同程度匹配,速度精度比RANSAC效果好 餘果 SegICP Integr...
目前計算機視覺專家主要使用tensorflow caffe還是opencv
Xavier CHEN Opencv裡面封裝了CV裡面常用的大多數傳統演算法,算是計算機視覺的基礎。tf和caffe是做deep learning用的。如果想從事計算機視覺的工作,Opencv是基礎,必須會用的。tf由於是python的framework,適合做研發和除錯,但是工業應用一般都要把mo...
在計算機視覺任務中,運用Transformer和Non local有何本質區別?
我一直覺得深度學習這門學科被我們這幫不合格的研究者帶歪了連最基本的科學研究都不會了 Transformer和Non local有何本質區別?那我是不是可以Transformer和Non local和curve fitting有何區別?在座的能說出區別嗎?那所有都深度學習都是Curve Fitting...