詳噴TLD

     之所以從TLD這個演算法開始扒，是因為它夠經典，涉及的範圍夠廣，引用的參考文獻也夠經典，哈哈，原作者已經在籌備開公司了。我剛開始學習就是從它入手，逐漸的擴充，寫下來，給初學的人一點點參考。

    TLD的代碼是開源的，你可以從網路攝影機或者測試視頻中選擇任意的物體進行跟蹤，所以tld和其他用分類器做的演算法相比，是可以具體到某物，拿hog+svm，和ism來說吧，這兩個演算法都是具體到某一類別，比如行人啊，車輛啊，這主要是基於分類器做的檢測在訓練的時候要選擇訓練樣本和樣本標記，也就是屬於有監督學習的過程。當然，你可以線上學習也就是半監督的形式，但是這對分類器的即時性要求很高，在《Incremental Learning for Robust Visual Tracking》中就y用的是線上學習，但是我模擬過，效率確實還不是滿足不了即時場合的應用。而TLd也用到了線上學習，那麼它之所以效率高些是因為它用的是random
forest classifer，這是一個很好的分類器，也是近年來比較熱門的，我所認識的cv領域的外國專家有限，但是他們對這個rf都用的很多。tld還有一個創新的地方就是P-N learning，那麼再來就是他邊檢測邊跟蹤的了。也許你還不清楚，沒關係，一步一步來看，先來一下總體的：看下面這個圖：

  

這個圖示TLD演算法的架構圖，解釋一下Tracking-Learning-Detection。它的tracker用的lk法，這是一個frame
to frame的跟蹤方法，用它來對目標的運動進行估計，當然lk跟蹤的精度是不高的，會跟蹤失敗，當跟丟的時候就要用到我們的rf detector，detector用於對每一幀的出現的目標進行定位記錄相應的位置資訊和表面資訊，稱之為學習，當tracker跟丟時，憑著detector的過去的學習，對目標進行重新置放。learning是將tracker和detector聯絡起來的紐帶，這個learning方法是P-Nlearning。