Tracking-Learning-Detection TLD解析一 - 前言

       TLD是英國Surrey大學的Zdenek Kalal發表在PAMI2012年七月刊的一篇文章,主要貢獻在於將跟蹤與檢測結合在一起,實現了工程上可應用的實時跟蹤程序。而本篇文章其實是對ZK 在 2009年的paper:Online learning of robust object detectors during unstable tracking的擴展和改善。在這篇文章裏作者提出了,Tracking-Modeling-Detection,而在PAMI中則修改爲TLD,然而基本的思想卻仍舊保持一致。TMD中的pruning和growing過程即是TLD中的P-expert與N-expert,而TMD中的Local 2bit Binary Patterns則對應TLD中的Pixel Comparison。中間的對應關係還是比較容易發現。

       這篇文章是去年這個時候準備組會的時候看的,結果爲了看懂這篇文章,雜七雜八又看了作者的其他五六篇文章,一直沒有時間寫,最近發現這個問題如此之火,所以不揣鄙陋,在此獻醜,如有紕漏,歡迎各位指正。


論    文:http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=6104061&tag=1
個人主頁:http://scholar.google.com/citations?user=u7EBngoAAAAJ&hl=en
OpenTLD :https://groups.google.com/forum/?hl=zh-CN&fromgroups#!forum/opentld
算法效果:http://v.youku.com/v_show/id_XMjU2MzA2MDcy.html
cvchina :http://www.cvchina.info/2011/04/05/tracking-learning-detection/
開源代碼:
1. Matlab官方版本 
https://github.com/zk00006/OpenTLD
2.其他版本可到 GitHub 上進行搜尋
https://github.com/search?p=1&q=tld&ref=cmdform&type=Repositories


我將分若干部分說明一下我對tld的理解,呃,歡迎大家指正。

其一 Tracking-Learning-Detection TLD解析一 - 前言

其二 Tracking-Learning-Detection TLD解析二 - 跟蹤器及檢測器設計

其三 Tracking-Learning-Detection TLD解析三 - Learning學習(跟蹤與檢測的協調與更新)

其四 Tracking-Learning-Detection TLD解析四 - 擴展及侷限

首先,介紹一下TLD的特點:

1.開源有多種OpenTLD版本傳播,作者主頁有MatLab版本的源碼,但是現在作者主頁好像刪掉了。

2.實時實時性主要是由於使用的特徵和分類器相對簡單,並且實時性也僅是在QVGA (240×320) 視頻流上實現。

3.僅需要幀初始化。無須線下訓練,檢測與跟蹤同時進行,分類器實時進行更新,綜合檢測和跟蹤的結果輸出最終結果。

4.可以解決跟蹤對象失聯重入問題。跟蹤效果是目前相對來說較好的state of art,可以實現長時跟蹤。

5.與當今跟蹤現狀相比,更加註重工程實現,且效果驚豔。

6.將檢測與跟蹤相結合。

跟蹤利用在幀與幀之間的信息,只需要初始化,可以產生平滑的路線,耗時較短,但是會產生漂移。

檢測會逐幀獨立的檢測物體位置,不會發生偏移,但是需要線下訓練,而且只能尋找已知的物體。


博客地址:http://blog.csdn.net/outstandinger/article/details/9017681

據稱已經在如下場景中得到應用,而作者本人也已是TLD vIsion的老總:

公司網站:http://tldvision.com/




相關文章:

Tracking-learning-detection.  Pattern Analysis and Machine Intelligence,  2012

Online learning of robust object detectors during unstable tracking.  ICCV Workshops, 2009 

Face-tld: Tracking-learning-detection applied to faces. ICIP, 2010

Forward-Backward Error: Automatic Detection of Tracking Failures. ICPR, 2010

P-N Learning: Bootstrapping Binary Classifiers by Structural Constraints. CVPR, 2010

發表評論
所有評論
還沒有人評論,想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.
相關文章