轉自：http://security.asmag.com.cn/tech/201203/50168.html
TLD跟蹤系統最大的特點就在於能對鎖定的目標進行不斷的學習，以獲取目標最新的外觀特徵，從而及時完善跟蹤，以達到最佳的狀態。也就是說，開始時只提供一幀靜止的目標圖像，但隨着目標的不斷運動，系統能持續不斷地進行探測，獲知目標在角度、距離、景深等方面的改變，並實時識別，經過一段時間的學習之後，目標就再也無法躲過。
TLD技術有三部分組成，即跟蹤器、學習過程和檢測器。TLD技術採用跟蹤和檢測相結合的策略，是一種自適應的、可靠的跟蹤技術。TLD技術中，跟蹤器和檢測器並行運行，二者所產生的結果都參與學習過程，學習後的模型又反作用於跟蹤器和檢測器，對其進行實時更新，從而保證了即使在目標外觀發生變化的情況下，也能夠被持續跟蹤。
跟蹤器
TLD跟蹤器採用重疊塊跟蹤策略，單塊跟蹤使用Lucas-Kanade光流法。TLD在跟蹤前需要指定待跟蹤的目標，由一個矩形框標出。最終整體目標的運動取所有局部塊移動的中值，這種局部跟蹤策略可以解決局部遮擋的問題（分塊）。
學習過程
TLD的學習過程是建立在在線模型(online model)的基礎上。在線模型是一個大小爲15×15的圖像塊的集合，這些圖像塊來自跟蹤器和檢查器所得的結果，初始的在線模型爲起始跟蹤時指定的待跟蹤的目標圖像。
在線模型是一個動態模型，它隨視頻序列增長或減小。在線模型的發展有兩個事件來驅動，分別爲增長事件和修剪事件。由於在實際中，來自環境和目標本身等多因素的影響，使目標的外觀不斷髮生變化，這使得由跟蹤器預測產生的目標圖像會包含更多其它感興趣的因素。如果我們把跟蹤軌跡上所有目標圖像看成一個特徵空間，那麼隨着視頻序列的推進，由跟蹤器所致的特徵空間將不斷增大，這就是所說的增長事件。爲了防止增長事件帶來的雜質(其他非目標圖像)影響跟蹤效果，採用了與之相對的修剪事件來平衡。修剪事件就是用來去除增長事件所致的雜質。由此，兩事件的相互作用促使在線模型一直保持與當前的跟蹤目標相一致。
由增長事件帶來的特徵空間的擴張來自於跟蹤器，即從處於跟蹤軌跡上的目標圖像中選擇合適的樣本，並以此來更新在線模型。有三種選擇策略，具體如下。
（1）與起始待跟蹤目標圖像相似的圖像塊，均被加入到在線模型;
（2）如果當前幀的跟蹤目標圖像與前一幀的相似，則將當前的跟蹤結果圖像加入到在線模型;
（3）計算跟蹤軌跡上的目標圖像到在線模型間的距離，選擇具有特定模式的目標圖像，即 起初目標圖像與在線模型的距離較小，隨之距離逐漸增大，而後距離又恢復成較小狀態。循環檢驗是否存在這種模式，並將該模式內的目標圖像加入到在線模型。
增長事件的特徵選擇方式，保證了在線模型始終緊隨跟蹤目標的最新狀態，避免因模型更新不實時所導致的跟蹤丟失。其中最後一種選擇策略也是TLD技術的特色之一，它體現了自適應跟蹤的特性。當跟蹤發生漂移時，跟蹤器會自動適應背景，而不會很突然地轉移到跟蹤目標上。
修剪事件假設每幀只有一個目標，當跟蹤器和檢測器都認可目標位置時，剩餘的檢測圖像就被認爲是錯誤樣本，從在線模型中刪除。
在線模型中的樣本爲TLD的學習過程提供了素材。另外，TLD在訓練生成分類器(隨機森林)的過程中，採用了兩種約束：P約束和N約束。P約束規定與跟蹤軌跡上的目標圖像距離近的圖像塊爲正樣本;反之，爲負樣本，即爲N約束。PN約束降低了分類器的錯誤率，在一定的範圍內，其錯誤率趨近於零。
檢測器
TLD技術設計了一個快速、可靠的檢測器，它爲跟蹤器提供了必要的支持。當跟蹤器所得的結果失效時，需要用檢測器的結果來補充糾正，並且對跟蹤器重新初始化。具體做法如下。
（1）對於每幀同時運行跟蹤器、檢測器，跟蹤器預測出一個目標位置信息，而檢測器則可能檢出多幅圖像;
（2）決定目標的最終位置時，優先考慮跟蹤器所得的結果，即如果跟蹤到的圖像與最初的目標圖像相似度大於某閾值，就接受該跟蹤結果;否則，將從檢測器的結果中，選用與最初目標相似度最大的圖像作爲跟蹤結果;
（3）如果爲第二步驟中的後者，那麼此時更新跟蹤器的最初目標模型，用現選用的跟蹤結果替換原有的目標模型，同時，刪除以前模型中的樣本，以新樣本重新開始。
檢測器是由在線模型中的樣本經訓練學習生成的隨機森林分類器。其選取的特徵爲區域的邊緣方向，稱之爲2bitBP特徵，它具有不受光線干擾的特性。特徵通過量化，共有4種可能的編碼。對於給定的區域，其特徵編碼是唯一的。多尺度的特徵計算可以採用積分圖像的方法。
將每一個圖形塊都用衆多的2bitBP特徵來表示，並把這些特徵分成大小的不同的組，每一組代表了圖像塊外觀的不同表示。用於檢測的分類器採用隨機森林的形式。隨機森林由樹組成，而每棵樹是由一個特徵組構造而成。樹的每個特徵都作爲一個決策結點。
隨機森林通過增長事件和修剪事件完成在線更新和演化。開始時，每棵樹由最初目標模板的特徵組構建，都只有一個“枝”。隨着增長事件對正樣本的選取，隨機森林也不斷加入新的“枝”;修剪事件則相反，它會去掉隨機森林中不用的“枝”。這種實時的檢測器採用掃描窗口的策略：按照位置和尺度掃描輸入幀，對每個子窗口應用分類器判斷是否屬於目標圖像。
TLD技術巧妙地把跟蹤器、檢測器和學習過程結合在一起，共同實現目標的跟蹤。
