Pedestrian-Tracking中的Mask-RCNN评估，基于matlab匹配滤波代码。

简介：
该MATLAB匹配滤波代码首先实施行人检测方法1。我在此视频中仅提供了示例MATLAB代码，并取得了以下结果。那么，该算法具体是如何运作的？运动目标的检测依赖于基于高斯混合模型的背景减除算法。随后，对所得前景蒙版应用形态学运算以去除噪声干扰。最终，斑点分析技术用于识别可能与运动对象相关的已连接像素团簇。检测与同一物体的关联仅基于运动信息的匹配。每个运动轨道的轨迹由卡尔曼滤波器进行估计，该过滤器用于预测轨道在每一帧中的位置，并确定将每个检测分配给相应轨道的可能性。轨道维护是该示例的关键组成部分。在任何特定帧中，某些检测可能会被分配到现有轨道，而其他检测和轨道则可能保持未分配状态。通过使用相应的检测信息更新已分配的轨道；未分配的轨道将被标记为不可见。此外，未分配的检测将启动新的轨道记录。每条磁道都会记录连续帧的数量，只要这些帧仍未被分配即可。如果计数超过预设的阈值，则该示例会推断该对象已经离开了视野范围并删除相应的轨道记录。分析表明，这种方法在行人彼此之间的距离相对较远的情况下表现良好。由于它利用后续帧中的连接组件标签进行对象跟踪，因此通常会将近距离行人为单个对象进行归类；因此，这种方法并不适用于拥挤环境中的行人追踪任务。在找到本文后, 他们还对该视频进行了行人跟踪.