《表1 算法跟踪指标:基于深度学习的行人单目标跟踪》
在表1中,其中Faster R-CNN算法为对视频逐帧进行检测跟踪,并将检测结果应用于跟踪,该方法优点为除了由于视频模糊等原因导致系统漏检,其余大部分帧能够获得很好的结果,由表中数据可知其l2-norm比较小且重叠度比较高,但是该方案由于使用深度网络提取图片语义特征,算法较为复杂导致系统帧率比较低。其中SSD和Faster R-CNN算法思想相同,其帧率比较高但漏检率很高,导致系统跟踪效果不理想。DCFNet跟踪算法虽然能够时时跟踪模板,但是其模板都是与前帧跟踪结果相关,因为行人不具备刚性,所以容易导致系统跟踪失败。SiamFC为简单的跟踪算法,其优点是跟踪速度快,但是系统并不能时时更新模板,更新导致系统不能长时间的进行跟踪。在跟踪一段时间以后容易跟丢,导致系统的l2-norm距离比较高,重叠度比较低。DFF(视频目标跟踪)在关键帧使用检测算法,在非关键帧使用光流进行辅助跟踪,由于需要计算光流图,导致系统的跟踪速度比较慢。实验证明检测和跟踪算法融合提高系统的跟踪质量且提高了系统跟踪速度,达到实时跟踪效果,其帧率平均为37fps。
图表编号 | XD00174768400 严禁用于非法目的 |
---|---|
绘制时间 | 2020.05.15 |
作者 | 杨勇、张轶 |
绘制单位 | 四川大学计算机学院、四川大学视觉合成图形图像技术国家重点实验室 |
更多格式 | 高清、无水印(增值服务) |