El seguimiento es una dirección muy confusa.
Los rastreadores como TLD, CT y Struct, que tienen buenos efectos, en realidad no son rastreadores puros. En 2009, recuerdo que los más populares eran el filtrado de partículas, o algunas variaciones de MeanShift/CamShift, como que las características cambiaron o las suposiciones sobre el problema cambiaron.
Más tarde, de repente aparecieron algunos métodos de seguimiento mediante métodos de detección y muchos de mis amigos anteriores pensaron que era un vandalismo. Por ejemplo, TLD, el algoritmo de seguimiento estricto puede ser solo la parte de flujo óptico hacia adelante/hacia atrás, pero el efecto es muy impresionante, así que pase lo que pase, se hizo popular de inmediato.
Después de eso, el llamado seguimiento ya no es un problema de seguimiento tradicional, sino un problema de ingeniería integral. Se agregan cosas como el aprendizaje en línea, la proyección aleatoria y el aprendizaje disperso. No importa si realmente está realizando seguimiento, detección o aprendizaje en línea, porque el estándar de medición es su precisión en algunos conjuntos de datos públicos.
Pero, ¿son útiles para proyectos reales?
Este es un lugar muy interesante. En muchos casos, la razón por la que necesitamos algoritmos de seguimiento es porque nuestro algoritmo de detección es muy lento y el seguimiento es muy rápido. Básicamente, los algoritmos de seguimiento superiores actuales son difíciles de usar en esta situación, porque su velocidad real ya es demasiado lenta, como TLD, CT y Struct. Si hay más de diez objetivos, básicamente explotarán. Además, hay algunos algoritmos de seguimiento que no sabes si se han desviado. Por ejemplo, la primera versión de CT no puede manejar el problema de la deriva, pero TLD sí. La razón es que el algoritmo de detección es relativamente robusto...
En la práctica, creo que los algoritmos de seguimiento puro que son extremadamente rápidos y simples de implementar son en realidad NCC y Overlap.
NCC es muy simple y se realiza punto a punto. Hay muchas variantes para las regiones. Hay algunos recursos relacionados en Internet.
Superposición es el nombre que elegí. Generalmente se usa en videos. Si su cámara está estacionaria, el primer plano después del modelado de fondo puede ser manchas una por una. La detección de manchas en dos fotogramas adyacentes se puede obtener mediante. Superposición o no. En algunos escenarios reales, este algoritmo es muy eficaz. El problema de la plantilla de fondo también se puede resolver fácilmente en vídeos reales.
Ya no quiero sentarme frente a la computadora para depurar el código y ajustar varios umbrales para evitar que el algoritmo de seguimiento se desvíe por debajo de un determinado cuadro de video.
Te deseo felicidad en el 2015.