运动跟踪算法—TLD (一)

最新推荐文章于 2023-09-21 04:23:47 发布

从零开始入门算法

最新推荐文章于 2023-09-21 04:23:47 发布

阅读量1.5k

点赞数 1

CC 4.0 BY-SA版权

文章标签：计算机视觉算法机器学习

本文链接：https://blog.youkuaiyun.com/weixin_50860664/article/details/110525663

TLD算法结合跟踪、学习和检测，用于解决目标形变和遮挡问题。它基于LK光流法跟踪，用P-N学习算法更新模型，级联分类器进行检测。当检测结果与跟踪不一致时，服从检测结果。文章探讨了基于TLD的行人检测与跟踪，以及解决运动尺度问题的金字塔光流法改进。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一 TLD

1.1 资料

作者网站链接：http://info.ee.surrey.ac.uk/Personal/Z.Kalal/Matlab官方版本：https://github.com/zk00006/OpenTLDC++源码：https://github.com/arthurv/OpenTLD
相关论文：（1）Tracking-Learning-Detection
（2）Forward-Backward Error Automatic Detection of Tracking Failures
（3）Online learning of robust object detectors during unstable tracking
（4）P-N Learning: Bootstrapping Binary Classifiers by Structural Constraints. CVPR, 2010
（5）Forward-Backward Error: Automatic Detection of Tracking Failures. ICPR, 2010（跟踪器）
（6）Tracking-learning-detection applied to faces. ICIP, 2010

1.2 简介

对于长时间跟踪而言，一个关键的问题是：当目标重新出现在相机视野中时，系统应该能重新检测到它，并开始重新跟踪。但是，长时间跟踪过程中，被跟踪目标将不可避免的发生形状变化、光照条件变化、尺度变化、遮挡等情况。
传统的跟踪算法，前端需要跟检测模块相互配合，当检测到被跟踪目标之后，就开始进入跟踪模块，而此后，检测模块就不会介入到跟踪过程中。这种方法有一个致命的缺陷：即，当被跟踪目标存在形状变化或遮挡时，跟踪就很容易失败；因此，对于长时间跟踪，或者被跟踪目标存在形状变化情况下的跟踪，很多人采用检测的方法来代替跟踪。该方法虽然在某些情况下可以改进跟踪效果，但它需要一个离线的学习过程。即：在检测之前，需要挑选大量的被跟踪目标的样