- 提供配置文件
- TLD是一个屡获殊荣的实时算法，用于跟踪视频流中的未知对象。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它。结果是实时跟踪，通常会随着时间的推移而改进。
TLD由Zdenek Kalal在他的博士论文中开发，由kristian Mikolajczyk和Jiri Matas指导。TLD的主要贡献已经在国际计算机视觉会议上得到了展示。由于他在TLD方面的工作，Zdenek Kalal被授予2011年英国ICT先锋奖。
产品组合
TLD -跟踪-学习-检测
- 掠夺者-智能相机，从错误中学习
由于其学习能力，TLD已经在名义下做广告捕食者．
关键特性
- TLD目前只跟踪一个对象
- 输入:来自单目摄像机的视频流，定义对象的包围框
- 输出:对象在流中的位置，对象检测器
- 实现:Matlab + C，单线程，无GPU
- 无线下培训阶段
- QVGA视频流的实时性能
- 移植到Windows, Mac OS X和Linux
目标
我们的目标是长期实时跟踪任意物体。对象由单个帧中感兴趣的区域定义。视频序列是不受约束的，物体可能会显著改变外观，部分或完全遮挡，或在视野中移动或移出。
动机
任意目标的长期跟踪是许多计算机视觉应用的核心问题:监控、目标自动对焦、SLAM、游戏、HCI、视频注释。
挑战
实时性能，部分和全部遮挡，照明变化，大位移，背景杂波，相似物体，视频质量低。
的方法
将长期跟踪任务分解为三个部分:跟踪、学习和检测(TLD)。这些组件中的每一个都处理问题的不同方面，这些组件并行运行，并以协同的方式组合起来以抑制它们的缺点。
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，显式处理平面外旋转，跟踪多个目标，学习形状。我们的目标是长期实时跟踪任意物体。对象由单个帧中感兴趣的区域定义。视频序列是不受约束的，物体可能会显著改变外观，部分或完全遮挡，或在视野中移动或移出。
-
-
TLD
- 解决长期跟踪问题的框架。TLD训练一个对象的探测器，在初始化一个单一的补丁和它的扭曲。跟踪器和探测器是并行运行的，两者都有助于估计物体的位置。“Not visible”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。
-
跟踪
- 中移跟踪器-基于Lucas-Kanade跟踪器的矩形跟踪器，对部分遮挡具有鲁棒性。估计翻译和规模。跟踪器验证——只要轨迹前后一致，探测器就会更新。
-
学习
- 学习是在P-N学习框架内实现的。对象由跟踪器跟踪。靠近轨迹的补丁用正标签(p约束)更新探测器。对象被检测器检测到，非最大置信检测用负标签(n-约束)更新检测器。两种约束都存在误差，通过相互补偿来实现学习的稳定性。
-
检测
- 一级过滤器:
随机森林，2bitBP特征
第二级分级机:
1-NN, 10x10补丁，NCC
信心= d / (d + d)
2位二进制特征
-
-
-
-
-
-
