一、前言
使用光流估计在视频序列中检测和跟踪汽车。
二、模型
下图显示了使用光流跟踪汽车模型：
三、用光流结果跟踪汽车
该模型使用光流估计技术来估计视频序列的每一帧中的运动矢量。通过阈值化运动矢量，该模型创建包含移动对象斑点的二进制特征图像。中值滤波用于消除散射噪声;执行关闭操作以去除斑点中的小孔。该模型使用 Blob 分析块在每个二进制特征图像中定位汽车。然后，它使用“绘制形状”块在通过白线下方的汽车周围绘制一个绿色矩形。结果 窗口左上角的计数器用于跟踪感兴趣区域中的汽车数量。
使用光流法跟踪汽车
2023-07-12
83
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《
阿里云开发者社区用户服务协议》和
《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写
侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介：
使用光流估计在视频序列中检测和跟踪汽车。
目录
相关文章
|
存储
自动驾驶
安全
|
算法
使用颜色识别来进行道路跟踪
使用颜色信息来检测和跟踪在可能不存在车道标记的主要住宅环境中设置的道路边缘。基于颜色的跟踪示例说明了如何使用色彩空间转换块、霍夫变换块和卡尔曼滤波器块来检测和跟踪使用色调和饱和度的信息。
84
0
0
|
传感器
存储
编解码
|
编解码
计算机视觉
智慧交通
智慧交通day04-特定目标车辆追踪03：siamese在目标跟踪中的应用-SiamRPN++(2019)
严格的平移不变性只存在于无填充网络中，如AlexNet。以前基于孪生的网络设计为浅层网络，以满足这一限制。然而，如果所使用的网络被ResNet或MobileNet等现代网络所取代，填充将不可避免地使网络变得更深，从而破坏了严格的平移不变性限制，不能保证物体最后的heatmap集中于中心。
158
0
0
|
监控
安全
异构计算
|
数据可视化
算法
智慧交通
智慧交通day02-车流量检测实现05：卡尔曼滤波器实践(小车模型)
FilterPy是一个实现了各种滤波器的Python模块，它实现著名的卡尔曼滤波和粒子滤波器。我们可以直接调用该库完成卡尔曼滤波器实现。
276
0
0
|
机器学习/深度学习
Web App开发
BI
智慧交通day04-特定目标车辆追踪03：siamese在目标跟踪中的应用-SiamFC(2016)
SiamFC采用了全卷积式的Siamese网络实现目标跟踪，其网络结构如下图所示，具有两个权值共享的分支。其中，z为127×127的模板图像相当于要追踪的目标，x为255×255的搜索图像，我们要完成的就是在x中找到z的位置。
175
0
0
|
算法
计算机视觉
智慧交通
智慧交通day04-特定目标车辆追踪03：siamese在目标跟踪中的应用-DaSiamRPN(2018)
DaSiamRPN网络的全称为Distractor-aware SiamRPN，是基于SiamRPN网络结构，提出更好的使用数据，针对跟踪过程的干扰物，利用更好的训练方式是跟踪更加的鲁棒。
117
0
0
|
数据挖掘
计算机视觉
智慧交通
智慧交通day04-特定目标车辆追踪03：siamese在目标跟踪中的应用-SiamRPN(2017)
Siam-RPN提出了一种基于RPN的孪生网络结构，由孪生子网络和RPN网络组成，前者用来提取特征，后者用来产生候选区域。其中，RPN子网络由两个分支组成，一个是用来区分目标和背景的分类分支，另外一个是微调候选区域的回归分支，使整个网络实现了端到端的训练。
133
0
0
|
计算机视觉
智慧交通
智慧交通day04-特定目标车辆追踪03：siamese在目标跟踪中的应用-SiamMask(2019)
与普通的视频跟踪网络不同的是，SiamMask可以同时完成视频跟踪和实例级分割的任务。如下图所示，与传统的对象跟踪器一样，依赖于一个简单的边界框初始化（蓝色）并在线操作。与ECO（红色）等最先进的跟踪器不同，SiamMask（绿色）能够生成二进制分割，从而更准确地描述目标对象。
168
0
0