【《人体多目标跟踪方法及相关理论基础概述》5300字】_第1页
【《人体多目标跟踪方法及相关理论基础概述》5300字】_第2页
【《人体多目标跟踪方法及相关理论基础概述》5300字】_第3页
【《人体多目标跟踪方法及相关理论基础概述》5300字】_第4页
【《人体多目标跟踪方法及相关理论基础概述》5300字】_第5页
已阅读5页,还剩7页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

人体多目标跟踪方法及相关理论基础概述目录TOC\o"1-3"\h\u20219人体多目标跟踪方法及相关理论基础概述 图2-11所示。特征图首先通过的卷积层,再分别输入至两个的卷积层作二分类和回归操作。这两个卷积层的通道数根据Anchor个数决定。二分类对各Anchor进行正、负样本的判别,而回归则输出各Anchor的4个位置参数。因此,RPN网络便是用于生成待测图像的候选区域。图2-SEQ图\*ARABIC11RPN结构图RPN网络的训练方式为随机梯度下降法,其中利用交叉熵计算二分类损失,使用Smooth_L1_loss来计算位置回归损失,并且位置回归损失仅包括正样本的回归损失。整体的损失函数如式(2-6)所示:(2-6)其中,为第个Anchor的索引值,为第个Anchor为目标的置信值,为第个Anchor的真值(GroundTruth),当该候选区域为检测的目标时则为1,反之为0。为包含第个Anchor的四个位置参数的向量,为包含真值位置参数的向量。1.4经典的目标跟踪算法卡尔曼滤波算法作为目标跟踪领域的经典算法,其通过线性预测,并利用当前测量值来修正上一时刻预测值的思想,使得能够在各种干扰的情况下,对目标的真实运动情况做出预测。现由如下公式介绍卡尔曼滤波算法。1.4.1预测状态值卡尔曼滤波为线性预测器,结合与自身状态无相关性的外部控制因素,通过对上一时刻的系统状态做线性变换,可得到当前时刻系统的状态值,公式如(2-7)所示:(2-7)其中,为当前时刻的状态值,为一个状态变换矩阵,为外部控制矩阵,为外部控制向量,为上一时刻卡尔曼滤波器输出的最优状态值。1.4.2预测协方差协方差作为系统状态对应的不确定性,其在被预测时同样需要加上当前时刻外界环境的干扰,公式如(2-8)所示:(2-8)其中,为当前时刻状态对应的协方差矩阵,为当前时刻系统受到外部干扰的协方差矩阵,为上一时刻状态对应的协方差矩阵。1.4.3卡尔曼增益计算卡尔曼增益的大小决定了预测数据和观测数据的重要性大小,即卡尔曼增益越大,观测数据越重要,反之亦成立。同样,卡尔曼增益的值与观测数据的传感器有关,公式如(2-9)所示:(2-9)其中,为卡尔曼增益,为测量得到的数据矩阵,为测量过程中的噪声对应的协方差矩阵。1.4.4更新状态值卡尔曼滤波器的核心思想为利用测量值来更正估计值,以使卡尔曼滤波结果最优化。因此该部分结合前三步,更新得到系统当前时刻的最优状态值,公式如(2-10)所示:(2-10)其中,为当前时刻经过测量值更正后的最优状态值,为当前时刻未优化的预测值,为当前时刻得到的测量值。1.4.5更新协方差当前时刻系统的协方差同样需要测量值进行修正,其公式如(2-11)所示:(2-11)其中,为当前时刻经过测量值修正后

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论