這是我自己的跟蹤算法

%%******************************************* 實驗設(shè)置 *********************************************%%

clc;

clear all;

%%******Change 'title' to choose the sequence you wish to run******%%

%title = 'animal';

% title = 'board';

% title = 'car11';

%title = 'caviar';

title = 'faceocc2';

% title = 'girl';

% title = 'jumping';

% title = 'panda';

% title = 'shaking';

% title = 'singer1';

% title = 'stone';

%*************************************************************

addpath('./Affine Sample Functions');

trackparam;? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ? % 初始位置和仿射參數(shù)

opt.tmplsize = [32 32];? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ? % [高度 寬度]? ?? ?opt:初始參數(shù)

sz = opt.tmplsize;? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?%sz: 跟蹤框的大小

n_sample = opt.numsample;

param0 = [p(1), p(2), p(3)/sz(2), p(5), p(4)/p(3), 0];? ?? ?? ?? ?%param: 仿射參數(shù)? ?? ?? ?? ? param0: 最初的仿射參數(shù)

p0 = p(4)/p(3);? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ???%p0:aspect ratio in the first frame？在第一幀中的從橫比？

param0 = affparam2mat(param0);? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?%轉(zhuǎn)換仿射參數(shù)？((2x3矩陣))

param = [];

param.est = param0';

%%****************** 為判別分類器獲得獲得正負(fù)模板*******************%%

num_p = 50;? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?% 正模板數(shù)量

num_n = 200;? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ???% 負(fù)模板數(shù)量

[A_poso A_nego] = affineTrainG(dataPath, sz, opt, param, num_p, num_n, forMat, p0);

A_pos = A_poso;

A_neg = A_nego;

patchsize = [6 6];? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ???% obtain the dictionary for the SGM？為生成模型獲得字典？

patchnum(1) = length(patchsize(1)/2 : 2: (sz(1)-patchsize(1)/2));

patchnum(2) = length(patchsize(2)/2 : 2: (sz(2)-patchsize(2)/2));

Fisize = 50;

[Fio patcho] = affineTrainL(dataPath, param0, opt, patchsize, patchnum, Fisize, forMat);

Fi = Fio;

temp = importdata([dataPath 'datainfo.txt']);? ?? ?? ?? ?? ?? ?? ? %DataInfo: 寬度, 高度, 幀數(shù)

num = temp(3);? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?%總的幀數(shù)

paramSR.lambda2 = 0;? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ? %？optional, elastic-net parameter, 0 by default可選的、彈性網(wǎng)絡(luò)、默認(rèn)為0

paramSR.mode = 2;? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ???%？(optional, adds positivity constraints on the coefficients, , by default: 2)

alpha_p = zeros(Fisize, prod(patchnum), num);? ?? ?? ?? ?? ?? ?? ?? ?? ? %輸出系數(shù)？

result = zeros(num, 6);

%%******************************************* 跟蹤 *********************************************%%

for f = 1:num

f? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ???%框架比

img_color = imread([dataPath int2str(f) forMat]);? ?? ?? ?%載入第一幀

if size(img_color,3)==3

img? ? ? ? = rgb2gray(img_color);? ?? ?? ?? ?? ?? ? %將彩色圖片轉(zhuǎn)為灰色圖片

else

img? ? ? ? = img_color;? ?? ?? ?? ?? ?? ?? ?? ?? ? %灰色圖片

end

%%----------------- 基于稀疏的判別分類器 (SDC) ----------------%%

gamma = 0.4;

[wimgs Y param] = affineSample(double(img), sz, opt, param);? ? %??draw N candidates with particle filter

%得出N個粒子濾波的候選目標(biāo)

YY = normVector(Y);? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?% 歸一化

AA_pos = normVector(A_pos);? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ? %歸一化正模板

AA_neg = normVector(A_neg);? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ? %歸一化負(fù)模板

%%-----------------% 特征選擇??----------------%%

P = selectFeature(AA_pos, AA_neg, paramSR);? ?? ?? ?? ?? ?? ???%? ???獲得投影矩陣

YYY = P'*YY;? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ? % project the original feature space to the selected feature space

%把原特征空間投影到選擇特征空間

AAA_pos = P'*AA_pos;

AAA_neg = P'*AA_neg;

paramSR.L = length(YYY(:,1));? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ???% represent each candidate with training template set代表每一個候選訓(xùn)練模板集

%(param.L ：optional, maximum number of elements of each decomposition)

paramSR.lambda = 0.01;

beta = mexLasso(YYY, [AAA_pos AAA_neg], paramSR);

beta = full(beta);

rec_f = sum((YYY - AAA_pos*beta(1:size(AAA_pos,2),:)).^2);? ?? ?% the confidence value of each candidate

rec_b = sum((YYY - AAA_neg*beta(size(AAA_pos,2)+1:end,:)).^2);

con = exp(-rec_f/gamma)./exp(-rec_b/gamma);

%%----------------- Collaborative Model ----------------%%

likelihood = con;%似然函數(shù)

[v_max,id_max] = max(likelihood);

param.est = affparam2mat(param.param(:,id_max));

result(f,:) = param.est';

displayResult_sf;? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ???% 顯示在每一幀的跟蹤結(jié)果

%%----------------- 更新方案 ----------------%%

upRate = 6;? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ? %每隔6幀更新負(fù)模板集

if rem(f, upRate)==0

[A_neg] = updateDic(dataPath, sz, opt, param, num_n, forMat, p0, f);

end

end

%%******************************************* 保存并顯示跟蹤結(jié)果 *********************************************%%

save([ title '.mat'], 'result');

要怎么才能把這個算法和IVT/IPCA Tracker、L1? ?Tracker、PN? ?Tracker、VTD??Tracker、MIL??Tracker、Frag Tracker進(jìn)行比較顯示出這樣的效果

Girl_rs_0062.jpg (37.58 KB, 下載次數(shù): 8)

2015-5-22 22:11 上傳

總結(jié)

以上是生活随笔為你收集整理的mil跟踪算法matlab,几种目标跟踪算法性能比较的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。