庖丁解牛TLD（四）——Tracking解析

前幾節都是根據作者的程式流程一步步介紹作者的工作，感覺只是對代碼的一個注釋，這次換一個思路，一部分一部分啃，作者的工作主要就是3部分麼，tracking，learning，detection。

這次先介紹Tracking的工作。對於Tracking，作者主要使用的是他提出的Forward-Backward Error的辦法，使用Lucas-Kanade光流法跟蹤，對跟蹤的結果，用Forward-Backward Error做反饋，求FB error的結果與原始位置的歐式距離，把距離過大的跟蹤結果捨棄，他把這種利用FB
error捨棄壞值的跟蹤方法叫做Median Flow，是把歐式距離集合中較大的50%的那些跟蹤結果捨棄。作者在他的文章Forward-Backward Error：Automatic Detection of Tracking Failures裡提到用FB+NCC（交叉驗證）的方案，可以使跟蹤的結果最佳。作者的Tracking的辦法就是根據我以上介紹的流程實現的。接下來結合代碼再詳細剖析一下

先用bb_points函數在box中均勻採樣10*10個點，注意作者這裡設定了採樣點的地區比box的地區少一圈邊界，邊界為5，在後面我會介紹作者這裡的獨到用心。然後調用混合編程的lk函數實現lucas-Kanade光流法跟蹤，得到的結果有為這100個點的lk結果，前兩個參數為利用l-k方法得到的點當前的跟蹤位置座標，第三個參數是利用NCC把跟蹤預測的結果周圍取10*10的小圖片與原始位置周圍10*10（這裡取10*10，有心的朋友應該笑了，為什麼作者之前在bb_points函數裡要設定個邊界5，原來是防止越界哦）的小圖片（使用函數getRectSubPix得到）進行模板匹配（調用matchTemplate），再對匹配的結果歸一化，把這個結果儲存在第三個參數中，第四個參數為FB
error的歐氏距離。這個lk函數過程中有很多參數可以設定，對最終的結果我想應該應該也是有的，有待實驗驗證。接下來就是利用作者提出的Median Flow，得到NCC和FB error結果的中值，分別去掉中值一半的跟蹤結果不好的點，利用這一半（其實不到50%）的跟蹤點輸入函數bb_predict函數中預測bounding box在當前幀的位置和大小。

這基本就是Tracking工作的主要部分了，至於被遮擋的tracking（tldTrack_occlusion），作者進行了單獨處理，下一次再分析。

PS：很感謝最近有些網友與我一起研究TLD，不過本人能力不足，很多東西還是不理解，對於作者detection和learning的工作，感覺那部分的代碼實在好比天書，沒法拿出來和大家交流了，希望有識之士也能寫出來，和大家分享~~