我註釋的版本也發上來,不過裏面可能有我的理解錯誤,各位謹慎參考吧http://download.csdn.net/detail/cv_richie/5018164
前面這些都看懂了,TLD都後面真正跑起來的程序也都不難理解了,因此我就不貼代碼上來了。
總結一下自己粗淺的感受,希望大神們來批評指正。
回味一下看過的代碼和文章,TLD算法的思想打個不恰當的比方和boosting有那麼一點點神似。LK光流法,隨機厥分類做檢測,PN學習,都是一些相對簡單的模塊,TLD的優勢就在於他們之間的取長補短相互補充。
蹤軌跡的連續,靠LK跟蹤的結果與在軌跡上的檢測結果加權修正。
對於目標外觀的變化,靠的是PN學習的不斷更新,而PN專家的知識又來自可信的跟蹤的結果,和在目標模型中的最近鄰分類。
而我覺得TLD結果的優秀很重要的一方面就是他對那些非目標負樣本模型的建立,但是這也是對TLD算法的一個很大限制。
另外,這種不對學習的機制並不萬能,對緩慢的逐漸遮擋情況下的跟蹤是致命的,很容易就跟着遮擋跑了,跑過程序就一定能發現。
但是總重要的還是這個TLD的框架設計,作者也說這是他的最大貢獻,這種綜合的框架方法更能解決廣泛的跟蹤問題。
想到哪說哪,各位受累了。