OPENTLD学习总结

最新推荐文章于 2024-12-14 10:40:05 发布

tiandawenwu

最新推荐文章于 2024-12-14 10:40:05 发布

阅读量3.5k

点赞数 4

CC 4.0 BY-SA版权

本文链接：https://blog.youkuaiyun.com/tiandawenwu/article/details/17462705

OPENTLD是一个用于长时间运动目标跟踪的算法，由跟踪、检测和学习三个部分组成。通过median_flow_LK进行跟踪，结合semi_supervised的on-line bin-classification进行检测，并利用P-N方法更新模型。文章详细解析了算法的Grids创建、特征数据选取、随机森林、正负样本生成、分类器训练等关键步骤，探讨了其在C版本实现中可能存在的效果差异问题。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

OPENTLD是捷克的一个博士开发的一个长时间对运动目标进行跟踪的算法。算法由三部分构成：1、Tracking 2、Detection 3、Learning。

1：Tracking：用median_flow_LK进行跟踪。但是因为部分遮挡、运动目标移出视线范围等因素long-term进行跟踪将使得跟踪失败。

2：Detection：利用semi_supervised方法训练一个on-line bin-classification。针对每一帧检测跟踪目标。

3：Learning：利用每一帧的结果对bin-classification进行学习，P-N方法纠正模型参数。

下面针对源码及论文做一个模块流程的梳理：

1、创建Grids：对InitBox的width、height以及Image的width、height利用minWidth、minHeight、scale计算有多少级Box的level。对每个level的Box的width、height从Image的（1、1）开始以0.2倍宽高进行偏移，计算总共有多少个boxes。比如对于w：94 h：70的InitBox 在W：640 H：480的Image中，当minWidth、minHeight为24时有15个不同level的boxes。每个level的box遍历全图将生成总共273254个boxes。

2、选取featureData:对每个box的特征提取利用的是类似于LBP的2bit特征。间隔采样：0.1到0.9的奇数生成5*5=25个点、0-0.8的偶数生成4*4=16个点。对41个特征点加上随机偏差，总共（25+16）*4=164个特征点。而生成决策树采用是是random-forest。树的数目为10，每棵树的深度为13。所以在164个特征中随机选取130个特征。