1.完整项目描述和程序获取
>面包多安全交易平台:https://mbd.pub/o/bread/Y56Vkpdp
>如果链接失效，可以直接打开本站店铺搜索相关店铺：
>如果链接失效，程序调试报错或者项目合作也可以加微信或者QQ联系。
2.部分仿真图预览
3.算法概述
全卷积神经网络（Fully Convolutional Networks，FCN）是Jonathan Long等人于2015年在Fully Convolutional Networks for Semantic Segmentation一文中提出的用于图像语义分割的一种框架，是深度学习用于语义分割领域的开山之作。我们知道，对于一个各层参数结构都设计好的神经网络来说，输入的图片大小是要求固定的，比如AlexNet，VGGNet, GoogleNet等网络，都要求输入固定大小的图片才能正常工作。而 F C N 的 精 髓 就 是 让 一 个 已 经 设 计 好 的 网 络 可 以 输 入 任 意 大 小 的 图 片 \color{blue}{而FCN的精髓就是让一个已经设计好的网络可以输入任意大小的图片}而FCN的精髓就是让一个已经设计好的网络可以输入任意大小的图片。
4.部分源码
...................................................................
rectPosition = [targetPosition([2,1]) - targetSize([2,1])/2, targetSize([2,1])];
data0 = [rectPosition(1);rectPosition(2)];
kalman_state = 0;
dist=0;
X0_new=rectPosition(1);
Y0_new=rectPosition(2);
kalman_start=0;
kalman_start2=0;
kalman_start3=0;
C=960;
R=540;
rc=R/C;
Virx2_=0;
Viry2_=0;
%初始变量大小
S0 = rectPosition(3)*rectPosition(4);
S1 = R*C;
div= S0/S1;
div2=1;
speed=0;
flag = 0;
bw=110;
for i = startFrame:nImgs
if i>startFrame
% load new frame on GPU
im = gpuArray(single(imgFiles{i}));
bw = mean2(mean(double(im)));
% if grayscale repeat one channel to match filters size
if(size(im, 3)==1)
im = repmat(im, [1 1 3]);
end
scaledInstance = s_x .* scales;
scaledTarget = [targetSize(1) .* scales; targetSize(2) .* scales];
% extract scaled crops for search region x at previous target position
x_crops = make_scale_pyramid(im, targetPosition, scaledInstance, p.instanceSize, avgChans, stats, p);
% evaluate the offline-trained network for exemplar x features
[newTargetPosition, newScale] = tracker_eval(net_x, round(s_x), scoreId, z_features, x_crops, targetPosition, window, p);
targetPosition = gather(newTargetPosition);
% scale damping and saturation
s_x = max(min_s_x, min(max_s_x, (1-p.scaleLR)*s_x + p.scaleLR*scaledInstance(newScale)));
targetSize = (1-p.scaleLR)*targetSize + p.scaleLR*[scaledTarget(1,newScale) scaledTarget(2,newScale)];
%分析黄色方框内的图像信息
x0 = round(rectPosition(1));
y0 = round(rectPosition(2));
w = round(rectPosition(3));
h = round(rectPosition(4));
imsub{i} = imgFiles{i}(max(y0,1):min(y0+h,R),max(x0,1):min(x0+w,C),:);
else
% at the first frame output position and size passed as input (ground truth)
end
rectPosition = [targetPosition([2,1]) - targetSize([2,1])/2, targetSize([2,1])];
if i == 1
div0 = targetSize(1)*targetSize(2);
else
div = sqrt(targetSize(1)*targetSize(2)/div0); %放大倍数，用来修正预测速度和坐标
end
%计算跟踪目标的几何中心位置
Xcenter(i) = rectPosition(1);
Ycenter(i) = rectPosition(2);
if i > 1
dist = sqrt((Xcenter(i)-Xcenter(i-1))^2 + (Ycenter(i)-Ycenter(i-1))^2);
if kalman_start == 0
Virx2(i) = dist;
else
Virx2_ = mean(Virx2);
end
end
if i > 1
dist = sqrt((Xcenter(i)-Xcenter(i-1))^2 + (Ycenter(i)-Ycenter(i-1))^2);
dist2(i)= dist;
end
%遮挡判决条件，进行改进，取消原来距离的判决，改为距离和目标大小收缩参数结合的判决方式。
...............................................................................
%状态切换
if i<=10;%前十帧强制进行训练，作为卡尔曼的输入，不管有没有遮挡，否则效果会变差
X1(i) = rectPosition(1);
Y1(i) = rectPosition(2);
Tt(i) = i;
rectPosition(1:2) = [Xcenter(i);Ycenter(i)];
W = rectPosition(3);
H = rectPosition(4);
end
if i>10;%大于10的时候，进行遮挡判决，没遮挡的时候，继续输入卡尔曼作为训练数据
if kalman_start == 1
[Xnew(i),Xnew2(i)] = func_kalman_predict([X1],Tt,1);
[Ynew(i),Ynew2(i)] = func_kalman_predict([Y1],Tt,1);
%启动卡尔曼滤波进行预测估计
rectPosition(1:2) = [Xnew(i);Ynew(i)];
rectPosition(3:4) = [W;H];
%记忆特性保存间隔
X1=[X1(1:end),rectPosition(1)];
Y1=[Y1(1:end),rectPosition(2)];
Tt(i) = i;
else
X1(i) = rectPosition(1);
Y1(i) = rectPosition(2);
Tt(i) = i;
rectPosition(1:2) = [X1(i);Y1(i)];
W = rectPosition(3);
H = rectPosition(4);
end
end
...............................................................................
end
05_064_m
