Tracking-Learning-Detection TLD解析一 - 前言

       TLD是英国Surrey大学的Zdenek Kalal发表在PAMI2012年七月刊的一篇文章，主要贡献在于将跟踪与检测结合在一起，实现了工程上可应用的实时跟踪程序。而本篇文章其实是对ZK 在 2009年的paper:Online learning of robust object detectors during unstable tracking的扩展和改善。在这篇文章里作者提出了，Tracking-Modeling-Detection，而在PAMI中则修改为TLD，然而基本的思想却仍旧保持一致。TMD中的pruning和growing过程即是TLD中的P-expert与N-expert，而TMD中的Local 2bit Binary Patterns则对应TLD中的Pixel Comparison。中间的对应关系还是比较容易发现。

       这篇文章是去年这个时候准备组会的时候看的，结果为了看懂这篇文章，杂七杂八又看了作者的其他五六篇文章，一直没有时间写，最近发现这个问题如此之火，所以不揣鄙陋，在此献丑，如有纰漏，欢迎各位指正。

论    文：http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=6104061&tag=1
个人主页：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/
开源代码：
1. Matlab官方版本 
https://github.com/zk00006/OpenTLD
2.其他版本可到 GitHub 上进行搜寻
https://github.com/search?p=1&q=tld&ref=cmdform&type=Repositories

我将分若干部分说明一下我对tld的理解，呃，欢迎大家指正。

其一 Tracking-Learning-Detection TLD解析一 - 前言

其二 Tracking-Learning-Detection TLD解析二 - 跟踪器及检测器设计

其三 Tracking-Learning-Detection TLD解析三 - Learning学习(跟踪与检测的协调与更新)

其四 Tracking-Learning-Detection TLD解析四 - 扩展及局限

首先，介绍一下TLD的特点：

1.开源。有多种OpenTLD版本传播，作者主页有MatLab版本的源码，但是现在作者主页好像删掉了。

2.实时。实时性主要是由于使用的特征和分类器相对简单，并且实时性也仅是在QVGA (240×320) 视频流上实现。

3.仅需要一帧初始化。无须线下训练，检测与跟踪同时进行，分类器实时进行更新，综合检测和跟踪的结果输出最终结果。

4.可以解决跟踪对象失联及重入问题。跟踪效果是目前相对来说较好的state of art，可以实现长时跟踪。

5.与当今跟踪现状相比，更加注重工程实现，且效果惊艳。

6.将检测与跟踪相结合。

跟踪利用在帧与帧之间的信息，只需要初始化，可以产生平滑的路线，耗时较短，但是会产生漂移。

检测会逐帧独立的检测物体位置，不会发生偏移，但是需要线下训练，而且只能寻找已知的物体。

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

据称已经在如下场景中得到应用，而作者本人也已是TLD vIsion的老总:

公司网站：http://tldvision.com/

相关文章：

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