中文字，单词，英文字符出处.，.，.前后误差法跟踪失败情况下的自动检测作者摘要本文提出种新颖的追踪失败探测的方法。

它是基于前后误差法的探测，比如，及时向前和向中跟踪每个来自首帧像素，用误差法评估跟踪轨迹，给跟踪轨迹上每个像素误差进行赋值。

最终这幅图像叫做误差图，这幅图显示了贯穿整个序列跟踪可靠性。

通过设定阈值对这些点进行选择。

在文章中，建出了行人序列误差图，结果如图所示。

左边版图显示是首帧序列，红色点标注出最可靠点。

右面版图显示误差图，深色表示小误差树阴影，两个行人身体上部。

这些区域当内任意选择点在整个序列当中都可以精确跟踪。

亮色区域是指难于或者不可能跟踪到部分。

这些区域也许被遮挡，也许从相机试图中消失或者缺乏足够结构信息。

实验证明误差法可以用来选择特征点，这样在整个视频序列中跟踪将更加可靠，这是和基于来自单图像信息标准特征选择方法相比下优势。

基于中值流物体跟踪法前面部分讨论了独立点跟踪种方法。

然而，在自然视频中点之间很少是独立而是起运动更大单元部分。

我们称这些单元为目标汽车，迹误差可靠性。

出于这个目，首先要构建验证轨迹。

点是向后跟踪直至首帧，并且生成这里。

前后误差被定义为这两条轨迹之间距离各种距离被定义为轨迹比较标准。

为简化起见，我们用初始点和验证轨迹最后个点之间欧几里得距离来计算所推荐前后误差法主要优势是可以应用于系列跟踪器并且易于实现。

如果数据违反假设跟踪器就会出现典型失败。

在这种情况下，跟踪器就会产生条定范围内随机轨迹。

然而向后跟踪产生另条随机轨迹。

这些轨迹很有可能不同。

最近，人们利用预测时时间立即可逆性提出种新奇算法。

因此，前后轨迹定义始终如，在这种情况下，前后误差法就不能用了。

跟踪失败检测误差法确认正确跟踪轨迹能力是在综合数据方面进行数据上评估。

许多自然场景中图片被随机仿射变换所扭曲并且被加入了高斯噪声。

采用规则网格像素间距初始化系列点，并投射到畸变图像上以创造真实轨迹。

采用跟踪器对原始图和扭曲图像中点位移进行评估。

与真实值相差在像素之内位移被标注为内窗层。

然后采用误差，评估轨迹，如果误差小于个阈值则被标注为内窗层。

最终结果会和真实值作比较并计算精度和后验概率。

图上展示了座位阈值函数带来性能。

注意到个像素阈值时，后验概率，精确度。

如此高性能说明误差法检测正确轨迹依靠阈值设定。

底部数据显示了和标准作比较，在精准度和回召曲线方面致性。

对于大多数工作点来说，明显优于。

在小阈值时不能检测出内窗层，它开始时精准度低于随机时可能始于。

我们已经进行了另个实验，这个实验当中用“快速”特征点检测器代替了特征规则网格，并且进行了持久观察实验。

视频中跟踪选择跟踪性能对初始化很敏感，因此被跟踪点选则就很重要。

这个选择典型做法就是在首帧当中检测易于跟踪关键点。

问题是，即使这些点在后来图像序列中会被遮挡，消失或者外观改变，这将导致跟踪失败。

因此，如果可能话，选择机制应该包含来自整个视频信息。

这里基于误差法，我们提出个强力选择机制在整个序列中跟踪每个来自首帧像素，用误差法评估跟踪轨迹，给跟踪轨迹上每个像素误差进行赋值。

最终这幅图像叫做误差图，这幅图显示了贯穿整个序列跟踪可靠性。

通过设定阈值对这些点进行选择。

在文章中，建出了行人序列误差图，结果如图所示。

左边版图显示是首帧序列，红色点标注出最可靠点。

右面版图显示误差图，深色表示小误差树阴影，两个行人身体上部。

这些区域当内任意选择点在整个序列当中都可以精确跟踪。

亮色区域是指难于或者不可能跟踪到部分。

这些区域也许被遮挡，也许从相机试图中消失或者缺乏足够结构信息。

实验证明误差法可以用来选择特征点，这样在整个视频序列中跟踪将更加可靠，这是和基于来自单图像信息标准特征选择方法相比下优势。

基于中值流物体跟踪法前面部分讨论了独立点跟踪种方法。

然而，在自然视频中点之间很少是独立而是起运动更大单元部分。

我们称这些单元为目标汽车，，，，.，，，.，.，，，.，.，，.，fi.，，.，.，.，.，，.，，.，.，，.，.，.，，，.，，.，.，.迹误差可靠性。

出于这个目，首先要构建验证轨迹。

点是向后跟踪直至首帧，并且生成这里。

前后误差被定义为这两条轨迹之间距离各种距离被定义为轨迹比较标准。

为简化起见，我们用初始点和验证轨迹最后个点之间欧几里得距离来计算所推荐前后误差法主要优势是可以应用于系列跟踪器并且易于实现。

如果数据违反假设跟踪器就会出现典型失败。

在这种情况下，跟踪器就会产生条定范围内随机轨迹。

然而向后跟踪产生另条随机轨迹。

这些轨迹很有可能不同。

最近，人们利用预测时时间立即可逆性提出种新奇算法。

因此，前后轨迹定义始终如，在这种情况下，前后误差法就不能用了。

跟踪失败检测误差法确认正确跟踪轨迹能力是在综合数据方面进行数据上评估。

许多自然场景中图片被随机仿射变换所扭曲并且被加入了高斯噪声。

采用规则网格像素间距初始化系列点，并投射到畸变图像上以创造真实轨迹。

采用跟踪器对原始图和扭曲图像中中文字，单词，英文字符出处.，.，.前后误差法跟踪失败情况下自动检测作者摘要本文提出种新颖追踪失败探测方法。

它是基于前后误差法探测，比如，及时向前和向后执行追踪，并且衡量这两个轨迹之间差异。

该误差方法能够保证视频中追踪失败可靠性探测和可靠性轨迹选择。

该方法可以作为普遍使用规格互相关方法互补。

基于该误差方法，中值流对象追踪器在不规则物体标准视频数据集上表现出了很好性能。

介绍点跟踪是计算机视觉通常任务给定时刻个点位置，目标就是估算此点在时刻位置。

事实上，跟踪通常面临着被跟踪点外表戏剧性改变或者从摄影机视图中消失问题。

在这种情况下，跟踪通常以失败告终。

我们研究了检测失败问题，并且提出种新奇方法可以使任何跟踪器自我评估其可靠性。

上文提出方法是基于所谓前后相容性假设正确跟踪应该不依赖实时流方向。

算法上，我们如下利用这个假设。

第，跟踪器要及时跟踪前面点并生成条轨迹。

第二，上帧中点位置初始化个验证轨迹。

这个验证轨迹是由向后跟踪从上帧到第帧得到。

第三，这两条轨迹相比较，如果他们明显不同，向前轨迹就被认为是错误。

图说明在两幅图像中跟踪个点方法。

第个点在两幅图像中都是可见并且跟踪器能准确对其定位。

这个点向前或者向后跟踪结果完全致。

另方面，第二个点在右面图像中不可见，跟踪器定位了个不同点。

这个点向后跟踪以个不同于最初点位置告终。

明显可以辨别两点不致，就像我们在试验阶段说明，这和实时跟踪失败有很大相关性。

检测跟踪失败通常方法是依靠周围小图片描述跟踪到点，是用从到时刻平方差总和比较得来。

正由于这种差分误差，闭塞和迅速移动现象会导致检测失败，而缓慢移动则不会被检测出。

缓慢移动检测可以采用定义种绝对误差方法，就像对当前图块和最初图块细微变化作比较样。

方法适用于而为目标，在通常跟踪算法在中可见，这和本文中基于算法相似。

此方法是为静态测量模型粒子滤波设计。

其中方法自适应和点跟踪并没有提及。

文章其余部分安排如下.提出种新奇误差测量方法，叫做前后误差法.用平方差总和法对其进行数量上比较.把此方法应用到特征点选择上.提出中值流检测器方法，此方法胜于基于基准序列些先进方法。

文章结束时得出本文结论并且提出未来工作。

前后误差法这部分我们详述前后误差法特征点轨迹，如图底部所示。

设是个图像序列，是时刻个点位置。

使用任意跟踪器，对点向前跟踪帧。

最终轨迹是，这里代表向前，表示帧数。

我们目标是要估计给定图像序列轨迹误差可靠性。

出于这个目，首先要构建验证轨迹。

点是向后跟踪直至首帧，并且生成这里。

前后误差被定义为这两条轨迹之间距离各种距离被定义为轨迹比较标准。

为简化起见，我们用初始点和验证轨迹最后个点之间欧几里得距离来计算所推荐前后误差法主要优势是可以应用于系列跟踪器并且易于实现。

如果数据违反假设跟踪器就会出现典型失败。

在这种情况下，跟踪器就会产生条定范围内随机轨迹。

然而向后跟踪产生另条随机轨迹。

这些轨迹很有可能不同。

最近，人们利用预测时时间立即可逆性提出种新奇算法。

因此，前后轨迹定义始终如，在这种情况下，前后误差法就不能用了。

跟踪失败检测误差法确认正确跟踪轨迹能力是在综合数据方面进行数据上评估。

许多自然场景中图片被随机仿射变换所扭曲并且被加入了高斯噪声。

采用规则网格像素间距初始化系列点，并投射到畸变图像上以创造真实轨迹。

采用跟踪器对原始图和扭曲图像中点位移进行评估。

与真实值相差在像素之内位移被标注为内窗层。

然后采用误差，评估轨迹，如果误差小于个阈值则被标注为内窗层。

最终结果会和真实值作比较并计算精度和后验概率。

图上展示了座