- 提供个人资料
- TLD是一种屡获殊荣的实时算法，用于跟踪视频流中未知对象。感兴趣的对象由单个帧中的边界框定义。TLD同时跟踪对象，学习其外观并在视频中出现时检测到它。结果是实时跟踪，通常会随着时间的推移而改善。
Zdenek Kalal在其博士学位论文中开发了TLD，由Krystian Mikolajczyk和Jiri Matas监督。TLD的主要贡献是在国际计算机视觉会议上提出的。由于他在TLD上的工作，Zdenek Kalal已获得2011年英国ICT先驱者的授予。
产品介绍
TLD-跟踪 - 学习 - 检测
- 捕食者 - 从错误中学习的智能相机
由于其学习能力，TLD已按名称做广告捕食者。
主要特征
- tld跟踪当前只有一个对象
- 输入：来自单眼相机的视频流，定义对象的边界框
- 输出：流中的对象位置，对象检测器
- 实现：MATLAB + C，单线，无GPU
- 没有离线训练阶段
- QVGA视频流的实时性能
- 移植到Windows，Mac OS X和Linux
目标
我们的目标是对任意对象的长期实时跟踪。该对象由单个帧中感兴趣的区域定义。视频序列是不受限制的，对象可能会大大改变外观，部分或完全遮挡或移出视野。
动机
在许多计算机视觉应用程序中，任意对象的长期跟踪是一个核心问题：监视，对象自动对焦，大满贯，游戏，HCI，视频注释。
挑战
实时性能，部分和完整的阻塞，照明变化，大量位移，背景混乱，类似的对象，视频质量低。
该方法
长期跟踪任务分解为三个组成部分：跟踪，学习和检测（TLD）。这些组件中的每一个都涉及问题的不同方面，这些组件是并行运行的，并以协同方式组合以抑制其缺点。
未来的工作
记录代码并使其公开可用。自动初始化，测试不同的跟踪器和检测器，消除平面性假设，明确处理面外旋转，跟踪多个目标，学习形状。我们的目标是对任意对象的长期实时跟踪。该对象由单个帧中感兴趣的区域定义。视频序列是不受限制的，对象可能会大大改变外观，部分或完全遮挡或移出视野。
-
-
tld
- 一个解决长期跟踪的框架。TLD从单个补丁及其扭曲初始化后训练对象的检测器。跟踪器和检测器并行运行，两者都有助于对象的估计位置。“不可见”是可能的输出。跟踪器和检测器的更新取决于下面描述的学习模块。
-
追踪
- 中间移位跟踪器 - 矩形的跟踪器，基于Lucas-Kanade跟踪器，强大到部分闭塞。估计翻译和规模。跟踪器验证 - 只要轨迹前进一致，检测器就会更新。
-
学习
- 通过P-N学习框架实现学习。对象由跟踪器跟踪。接近轨迹的贴片用正标（P-Consaints）更新检测器。该对象是由检测器检测到的，非穿M径的自信检测用负标签（n-constraints）更新检测器。这两个约束都会出现错误，学习稳定性是通过其相互补偿来实现的。
-
检测
- 第一阶段过滤器：
随机森林，2bitbp特征
第二阶段分类器：
1-NN，10x10补丁，NCC
置信度= D /（D + D）
2位二进制功能
-
-
-
-
-
-
