html免费网站模板带后台,搜索引擎优化的策略主要有,网站建设要与安全防护同步规划,张掖北京网站建设TLD
(Tracking-Learning-Detection)是英国萨里大学的一个捷克籍博士生在其攻读博士学位期间提出的一种新的单目标长时间#xff08;
long term tracking
#xff09;跟踪算法。该算法与传统跟踪算法的显著区别在于将传统的跟踪算法和传统的检测算法相结合来解决被跟踪目标在被… TLD
(Tracking-Learning-Detection)是英国萨里大学的一个捷克籍博士生在其攻读博士学位期间提出的一种新的单目标长时间
long term tracking
跟踪算法。该算法与传统跟踪算法的显著区别在于将传统的跟踪算法和传统的检测算法相结合来解决被跟踪目标在被跟踪过程中发生的形变、部分遮挡等问题。同时通过一种改进的在线学习机制不断更新跟踪模块的“显著特征点”和检测模块的目标模型及相关参数从而使得跟踪效果更加稳定、鲁棒、可靠。对于长时间跟踪而言一个关键的问题是当目标重新出现在相机视野中时系统应该能重新检测到它并开始重新跟踪。但是长时间跟踪过程中被跟踪目标将不可避免的发生形状变化、光照条件变化、尺度变化、遮挡等情况。传统的跟踪算法前端需要跟检测模块相互配合当检测到被跟踪目标之后就开始进入跟踪模块而此后检测模块就不会介入到跟踪过程中。但这种方法有一个致命的缺陷即当被跟踪目标存在形状变化或遮挡时跟踪就很容易失败因此对于长时间跟踪或者被跟踪目标存在形状变化情况下的跟踪很多人采用检测的方法来代替跟踪。该方法虽然在某些情况下可以改进跟踪效果但它需要一个离线的学习过程。即在检测之前需要挑选大量的被跟踪目标的样本来进行学习和训练。这也就意味着训练样本要涵盖被跟踪目标可能发生的各种形变和各种尺度、姿态变化和光照变化的情况。换言之利用检测的方法来达到长时间跟踪的目的对于训练样本的选择至关重要否则跟踪的鲁棒性就难以保证。
考虑到单纯的跟踪或者单纯的检测算法都无法在长时间跟踪过程中达到理想的效果所以TLD方法就考虑将两者予以结合并加入一种改进的在线学习机制从而使得整体的目标跟踪更加稳定、有效。
简单来说TLD算法由三部分组成跟踪模块、检测模块、学习模块如下图所示 其运行机制为检测模块和跟踪模块互不干涉的并行进行处理。首先跟踪模块假设相邻视频帧之间物体的运动是有限的且被跟踪目标是可见的以此来估计目标的运动。如果目标在相机视野中消失将造成跟踪失败。检测模块假设每一个视帧都是彼此独立的并且根据以往检测和学习到的目标模型对每一帧图片进行全图搜索以定位目标可能出现的区域。同其它目标检测方法一样TLD中的检测模块也有可能出现错误且错误无非是错误的负样例和错误的正样例这两种情况。而学习模块则根据跟踪模块的结果对检测模块的这两种错误进行评估并根据评估结果生成训练样本对检测模块的目标模型进行更新同时对跟踪模块的“关键特征点”进行更新以此来避免以后出现类似的错误。TLD模块的详细流程框图如下所示 在详细介绍TLD的流程之前有一些基本知识和基本概念需要予以澄清
基本知识
在任意时刻被跟踪目标都可以用其状态属性来表示。该状态属性可以是一个表示目标所在位置、尺度大小的跟踪框也可以是一个标识被跟踪目标是否可见的标记。两个跟踪框的空间域相似度是用重叠度overlap来度量其计算方法是两个跟踪框的交集与两者并集的商。目标的形状采用图像片image patch个人认为可以理解为滑动窗口p来表示每一个图像片都是从跟踪框内部采样得到的并被归一化到15*15的大小。两个图相片
