tld目標跟蹤演算法研究

㈠ TLD是什麼

摘要 TLD(Tracking-Learning-Detection)是英國薩里大學的一個捷克籍博士生Zdenek Kalal在其攻讀博士學位期間提出的一種新的單目標長時間跟蹤（long term tracking）演算法。該演算法與傳統跟蹤演算法的顯著區別在於將傳統的跟蹤演算法和傳統的檢測演算法相結合來解決被跟蹤目標在被跟蹤過程中發生的形變、部分遮擋等問題。同時，通過一種改進的在線學習機制不斷更新跟蹤模塊的「顯著特徵點」和檢測模塊的目標模型及相關參數，從而使得跟蹤效果更加穩定、可靠。

㈡ 目標跟蹤都有那些演算法

目標跟蹤,利用相鄰兩幀的區域匹配從圖像序列中建立目標鏈,跟蹤目標從進入監視范圍到駛離監視范圍的整個過程。首稱要確定匹配准則。常用的圖像匹配方法有Hausdorff距離區域法和圖像互相關。

㈢ 目標跟蹤都有哪些方法

尾隨，監控，定位

㈣ 運動目標檢測與跟蹤 都有哪些方法

第一章介紹運動的分類、計算機視覺領域中運動分析模型、計算機視覺領域運動檢測和目標跟蹤技術研究現狀、計算機視覺領域中運動分析技術的難點等內容；第二章介紹傳統的運動檢測和目標跟蹤演算法，包括背景差分法、幀間差分法、光流場評估演算法等；第三章介紹具有周期性運動特徵的低速目標運動檢測和跟蹤演算法，並以CCD測量系統為例介紹該演算法的應用；第四章介紹高速運動目標識別和跟蹤演算法，並以激光通信十信標光捕獲和跟蹤系統為例介紹該演算法的應用；第五章介紹具有復雜背景的目標運動檢測過程中採用的光流場演算法，包括正規化相關的特性及其改進光流場評估演算法，並介紹改進光流場演算法的具體應用；第六章介紹互補投票法實現可信賴運動向量估計。

㈤ 關於TLD目標跟蹤演算法的問題

跟蹤是一個很混亂的方向。

比如TLD、CT、Struct這些效果不錯的Tracker其實都不是單純的Tracker了。09年的時候我記得比較流行的是Particle Filtering， 或者一些MeanShift/CamShift的變形，比如特徵變了，比如對問題的假設變了。

後來突然出現一些tracking by detection的方法，之前的很多朋友就覺得這是耍流氓。比如TLD，嚴格的跟蹤演算法也許只是裡面的Forward/Backward Opitcal Flow的部分，但是效果很Impressive，所以不管怎樣，一下就火了。

之後所謂的跟蹤就不再是一個傳統的跟蹤問題，而是一個綜合的工程問題。online learning，random projection ，sparse learning的東西都加進來，大家其實到底是在做跟蹤還是在做檢測或者online learning，其實已經不重要，因為衡量的標準是你在某些public dataset上的精度。

但這些對實際的項目有沒有幫助呢？

這是個很有意思的地方，在很多時候，我們之所以需要跟蹤演算法，是因為我們的檢測演算法很慢，跟蹤很快。基本上當前排名前幾的跟蹤演算法都很難用在這樣的情況下，因為你實際的速度已經太慢了，比如TLD，CT，還有Struct，如果目標超過十個，基本上就炸了。況且還有些跟蹤演算法自己drift掉了也不知道，比如第一版本的CT是無法處理drift的問題的，TLD是可以的，究其原因還是因為檢測演算法比較魯棒啊……

實際中我覺得速度極快，實現也簡單的純跟蹤演算法居然是NCC和Overlap。

NCC很簡單，這個是對點進行的，對於區域也有很多變種，網上有一些相關的資源。

Overlap是我取的名字，一般用在裡面，假如你的攝像頭是靜止的，背景建模之後出來的前景可以是一個一個的blob，對相鄰兩幀的blob檢測是否Overlap就可以得到track。在一些真實場景下，這個演算法是非常有效的。關於背景template的問題在真實的裡面也是很好解決的。

坐在電腦前面調試代碼tuning 各種閾值讓跟蹤演算法在某一個幀下面不要drift的事情我是再也不想幹了。
順祝你2015幸福快樂。

㈥ 視覺追蹤的研究意義

視覺是人類認知世界的重要途徑之一，人類獲取外部信息的80%來自視覺系統。計算視覺就是在了解人類視覺基礎上，用成像系統代替人類視覺器官，用計算級代替人腦完成對輸入圖像的處理與理解。同時，隨著信息技術與智能科學的發展，計算機視覺是人工智慧領域熱門學科之一和物聯網感知層重要技術之一。
視覺跟蹤技術作為計算機視覺領域的熱門課題之一，是對連續的圖像序列進行運動目標檢測、提取特徵、分類識別、跟蹤濾波、行為識別，以獲得目標准確的運動信息參數（如位置、速度等），並對其進行相應的處理分析，實現對目標的行為理解。
視覺跟蹤是指對圖像序列中的運動目標進行檢測、提取、識別和跟蹤，獲得運動目標的運動參數，如位置、速度、加速度和運動軌跡等，從而進行下一步的處理與分析，實現對運動目標的行為理解，以完成更高一級的檢測任務。
國外在視頻目標檢測與跟蹤領域的研究起步較早，美國軍方及美國自然科學基金委員會都非常關注復雜環境下目標的檢測、跟蹤與識別演算法研究與應用。1991年，美國國防高級研究項目署DARPA就資助卡內梅隆大學進行視覺信息在無人機中的應用研究。1997年，DARPA再次邀請多所美國高校參與了視頻監控系統重大項目VSAM(videosurveillance and monitoring)的研發工作。美國國防部DAPRA和JSG&CC聯合發起成立了自動識別工作組ATRWG。之後，國外知名大學與研究機構也對視頻目標的檢測與跟蹤演算法進行深入研究，J.Davis等人提出了一種適用於人體檢測的背景相減演算法，它首先採用傳統幀相減演算法得到感興趣區域，之後通過梯度信息在感興趣區域中尋找目標輪廓，通過目標輪廓確定目標位置，S.Huwer等人深入研究了背景模型問題，提出了一種自適應的背景模型，該模型可以很好的解決光照變化等問題。
1999年後，國內一些高校和科研機構也開始視頻目標檢測與跟蹤方面的研究。中科院自動化所的模式識別國家重點實驗室圖像和視頻分析研究組研發的交通行為事件分析系統；2001年，清華大學開發的適用於野外環境的視覺偵查系統。
視覺跟蹤發展已經比較成熟，出現了許多方法。開始時，視覺跟蹤研究主要集中在目標運動模型研究，如kalman預測跟蹤，meanshift跟蹤，粒子濾波跟蹤等。視覺跟蹤更多集中在目標表現模型研究上，Tracking by detection 成為視覺跟蹤比較多的話題，如Ensemble Tracking、Support vectortracking、Incremental Leaningfor visual tracking及TLD等。

㈦ 計算機視覺中，目前有哪些經典的目標跟蹤演算法

之前寫過一些tracking的東西，把最近看的比較流量的演算法寫一下：個人覺得值得仔細研究的tracking演算法包括：
Mean-shift, Particle Filter, Ensemble Tracking
TLD, 壓縮感知跟蹤，KCF Tracker及其改進
速度慢於50fps的跟蹤演算法就沒有必要搞了，基本上沒有可能做到實時的。

㈧ 一般目標跟蹤演算法速度有多快

跟蹤是一個很混亂的方向。

比如TLD、CT、Struct這些效果不錯的Tracker其實都不是單純的Tracker了。09年的時候我記得比較流行的是Particle Filtering， 或者一些MeanShift/CamShift的變形，比如特徵變了，比如對問題的假設變了。

後來突然出現一些tracking by detection的方法，之前的很多朋友就覺得這是耍流氓。比如TLD，嚴格的跟蹤演算法也許只是裡面的Forward/Backward Opitcal Flow的部分，但是效果很Impressive，所以不管怎樣，一下就火了。

之後所謂的跟蹤就不再是一個傳統的跟蹤問題，而是一個綜合的工程問題。online learning，random projection ，sparse learning的東西都加進來，大家其實到底是在做跟蹤還是在做檢測或者online learning，其實已經不重要，因為衡量的標準是你在某些public dataset上的精度。

但這些對實際的項目有沒有幫助呢？

這是個很有意思的地方，在很多時候，我們之所以需要跟蹤演算法，是因為我們的檢測演算法很慢，跟蹤很快。基本上當前排名前幾的跟蹤演算法都很難用在這樣的情況下，因為你實際的速度已經太慢了，比如TLD，CT，還有Struct，如果目標超過十個，基本上就炸了。況且還有些跟蹤演算法自己drift掉了也不知道，比如第一版本的CT是無法處理drift的問題的，TLD是可以的，究其原因還是因為檢測演算法比較魯棒啊……

實際中我覺得速度極快，實現也簡單的純跟蹤演算法居然是NCC和Overlap。

NCC很簡單，這個是對點進行的，對於區域也有很多變種，網上有一些相關的資源。

Overlap是我取的名字，一般用在裡面，假如你的攝像頭是靜止的，背景建模之後出來的前景可以是一個一個的blob，對相鄰兩幀的blob檢測是否Overlap就可以得到track。在一些真實場景下，這個演算法是非常有效的。關於背景template的問題在真實的裡面也是很好解決的。

坐在電腦前面調試代碼tuning 各種閾值讓跟蹤演算法在某一個幀下面不要drift的事情我是再也不想幹了。
順祝你2015幸福快樂。