Tracking-Learning-Detection TLD解析二 - 跟踪器及检测器设计

      TLD论文中指出，单靠跟踪或单靠检测都无法完成现实的任务，而TLD的任务即在于结合两者的优势。

      跟踪与检测的结合点即在于Learning学习过程。图示如下：

论文中将整个方案分为三部分，检测，跟踪，及学习。学习将综合检测与跟踪的结果输出，输出的结果可以作为检测子的训练数据，也可以作为对跟踪器重新初始化。

下面我们具体讲解一下跟踪子与检测子的实现方法。这也是TLD中主要的两部分，下一篇我将介绍一下我对学习过程的理解。

博客地址:http://blog.youkuaiyun.com/outstandinger/article/details/9019505

一，跟踪器

 1，综述

          跟踪器的实现主要基于作者的论文《Forward-Backward Error: Automatic Detection of Tracking Failures》。

          该论文基于改进了基于Lucas-Kanade tracker光流的跟踪的方法，提出一种所谓的中指流（Median Flow）跟踪方法，这也是应用于TLD之中的跟踪器。

          该跟踪器将在帧与帧之间估计物体运动，利用偏移和尺度的变化中值对整体效果进行更新。 

          具体框图如下：

      

         结合上图，在第 t 帧与 t+1 帧 之间的运行情况，我们在第 t 帧中初始化跟踪点框，然后利用经典的Lucas-Kanade tracker对各点进行跟踪，对跟踪得到的点进行错误估计（具体的错误估计方法下面介绍），去除跟踪效果不好的点，利用剩余的点对下一帧的跟踪结果进行