項目介紹：

運動目標跟蹤一直以來都是一項具有挑戰(zhàn)性的工作, 也是研究的熱點方向. 現階段, 隨著硬件設施 的不斷完善和人工智能技術的快速發(fā)展, 運動目標跟蹤技術越來越重要. 目標跟蹤在現實生活中有很 多應用, 包括交通視頻監(jiān)控、運動員比賽分析、智能人機交互 、跟蹤系統(tǒng)的設計等. 由于在目標跟蹤中存在形態(tài)變化、圖像分辨率低、背景復雜等情 況, 因此研究出一個性能優(yōu)良的跟蹤器勢在必行。

早期的目標跟蹤算法主要是根據目標建模或者對目標特征進行跟蹤, 主要的方法有:

1) 基于目標模型建模的方法:

通過對目標外觀模型進行建模, 然后在之后的幀中找到目標. 例如, 區(qū)域匹配、特征點跟蹤、基于主動輪廓的跟蹤算法、光流法等. 最常用的是特征匹配法, 首先提取目標特征, 然后在后續(xù)的幀中找到最相似的特征進行目標定位, 常用的特征有: SIFT特征、SURF特征、Harris角點等.

2) 基于搜索的方法:

隨著研究的深入, 人們發(fā)現基 于目標模型建模的方法對整張圖片進行處理, 實 時性差. 人們將預測算法加入跟蹤中, 在預測值附近 進行目標搜索, 減少了搜索的范圍. 常見一類的預測 算法有 Kalman濾波、粒子濾波方法. 另一種減小搜索范圍的方法是內核方法: 運用最速下降法的原理, 向梯度下降方向對目標模板逐步迭代, 直到迭代到最優(yōu)位置。

本次對于特定目標追蹤是基于深度學習的方法對目標進行跟蹤，使用的模型是：

?網絡的工作流如下所示：

在首幀圖像選中跟蹤的目標，在視頻中對目標進行跟蹤：

該項目中的代碼主要在以下幾個文件夾中,如下圖所示:
?

其中:

data: 包括所需要的數據,訓練數據和測試數據

utils: 包含需要的輔助函數,包括目標框處理函數,學習率更新函數等

Datasets: 數據處理,增強及構建訓練集的內容在該文件夾中

models: 模型的構建

experiments: 模型的載體

tools:包含模型的訓練測試的內容

總結

以上是生活随笔為你收集整理的智慧交通day04-特定目标车辆追踪01:总览概述的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。