추적은 매우 혼란스러운 방향입니다.
TLD, CT, Struct 등 효과가 좋은 트래커는 사실 순수 트래커가 아닙니다. 2009년에는 입자 필터링이나 MeanShift/CamShift의 일부 변형(예: 기능 변경, 문제에 대한 가정 변경)이 더 인기가 있었던 것으로 기억됩니다.
나중에 일부 탐지 방법에 의한 추적이 갑자기 나타났고, 이전 친구들 중 상당수는 이를 훌리건이라고 생각했습니다. 예를 들어 TLD에서 엄격한 추적 알고리즘은 Forward/Backward Opitcal Flow 부분만 있을 수 있지만 그 효과는 매우 인상적이므로 어쨌든 즉시 인기를 얻었습니다.
이후 소위 추적은 더 이상 전통적인 추적 문제가 아니라 포괄적인 엔지니어링 문제입니다. 온라인 학습, 무작위 투영, 희소 학습이 모두 추가됩니다. 측정 표준은 특정 공개 데이터 세트에 대한 정확성이기 때문에 실제로 추적, 탐지 또는 온라인 학습을 수행하는지 여부는 중요하지 않습니다.
그런데 실제 프로젝트에 도움이 될까요?
이곳은 매우 흥미로운 곳인데, 많은 경우 추적 알고리즘이 필요한 이유는 우리의 탐지 알고리즘이 매우 느리고 추적이 매우 빠르기 때문입니다. 기본적으로 현재의 상위 추적 알고리즘은 TLD, CT, Struct와 같이 실제 속도가 이미 너무 느리기 때문에 이러한 상황에서 사용하기 어렵습니다. 대상이 10개 이상이면 기본적으로 폭발합니다. 게다가 표류했는지 알 수 없는 추적 알고리즘도 있습니다. 예를 들어 CT의 첫 번째 버전은 표류 문제를 처리할 수 없지만 TLD는 감지 알고리즘이 상대적으로 강력하기 때문입니다.
실제로 구현하기가 매우 빠르고 간단한 순수 추적 알고리즘은 실제로 NCC와 Overlap이라고 생각합니다.
NCC는 지점 간 방식으로 매우 간단합니다. 지역에 따라 다양한 변형이 인터넷에 있습니다.
오버랩은 제가 선택한 이름입니다. 카메라가 고정된 경우 배경 모델링 후 전경이 하나씩 블롭을 감지하여 트랙을 얻을 수 있습니다. 중복 여부. 일부 실제 시나리오에서는 이 알고리즘이 매우 효과적입니다. 배경 템플릿의 문제는 실제 영상에서도 쉽게 해결될 수 있습니다.
추적 알고리즘이 특정 비디오 프레임 아래에서 표류하는 것을 방지하기 위해 더 이상 컴퓨터 앞에 앉아 코드를 디버그하고 다양한 임계값을 조정하고 싶지 않습니다.
2015년에도 행복하시길 바랍니다.