独立圜中

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

在上一篇跟踪器与检测器（tracker and detector）中，我们已经详细介绍了TLD中跟踪器与检测器的设计方案，而在具体运行过程中需要对二者进行调和，所谓调和主要指两方面：1.对二者输出的结果综合考虑，选择最有可能的作为最终的输出。2.当目标跟踪中断再度出现时重新启动跟踪器；运行过程中对检测器进行更新，以适应目标运行过程中形变差异。        TLD中的Learning阶

Real-Time compressive Tracking, Kaihua Zhang, ECCV2012这篇论文由香港理工大学张开华发表在2012年的ECCV之上，论文附有数据对比及代码。cvchina:    http://www.cvchina.info/2012/07/31/real-time-compressive-tracking/comment-page-1/#commen

本篇文章主要基于：Face-tld: Tracking-learning-detection applied to faces. ICIP, 2010Limitations:TLD does not perform well in caseof fullout of plane rotation.In that case the, the Median-Flow tracker

Müller P, Heckel M, Sack A, et al. Complex Velocity Dependence of the Coefficient of Restitution of a Bouncing Ball[J]. Physical Review Letters, 2013, 110(25): 254301.本文发表在物理学顶级杂志PRL上，主要解决

TLD是英国Surrey大学的Zdenek Kalal发表在PAMI2012年七月刊的一篇文章，主要贡献在于将跟踪与检测结合在一起，实现了工程上可应用的实时跟踪程序。而本篇文章其实是对ZK 在 2009年的paper:Online learning of robust object detectors during unstable tracking的扩展和改善。在这篇文章里作者提出了，Tra