Tracking-Learning-Detection TLD解析二 - 跟踪器及检测器设计
来源:互联网 发布:sqlserver 添加注释 编辑:程序博客网 时间:2024/06/06 00:12
TLD论文中指出,单靠跟踪或单靠检测都无法完成现实的任务,而TLD的任务即在于结合两者的优势。
跟踪与检测的结合点即在于Learning学习过程。图示如下:
论文中将整个方案分为三部分,检测,跟踪,及学习。学习将综合检测与跟踪的结果输出,输出的结果可以作为检测子的训练数据,也可以作为对跟踪器重新初始化。
下面我们具体讲解一下跟踪子与检测子的实现方法。这也是TLD中主要的两部分,下一篇我将介绍一下我对学习过程的理解。
博客地址:http://blog.csdn.net/outstandinger/article/details/9019505
一,跟踪器
1,综述
跟踪器的实现主要基于作者的论文《Forward-Backward Error: Automatic Detection of Tracking Failures》。
该论文基于改进了基于Lucas-Kanade tracker光流的跟踪的方法,提出一种所谓的中指流(Median Flow)跟踪方法,这也是应用于TLD之中的跟踪器。
该跟踪器将在帧与帧之间估计物体运动,利用偏移和尺度的变化中值对整体效果进行更新。
具体框图如下:
结合上图,在第 t 帧与 t+1 帧 之间的运行情况,我们在第 t 帧中初始化跟踪点框,然后利用经典的Lucas-Kanade tracker对各点进行跟踪,对跟踪得到的点进行错误估计(具体的错误估计方法下面介绍),去除跟踪效果不好的点,利用剩余的点对下一帧的跟踪结果进行更新(更新方法见下)。
2.错误估计
具体的错误估计准则,则依据Forward-Backward Error(FB,前后向错误) 及 Normalized Correlation Coefficient (NCC,归一化相关系数)。
所谓的FB错误即如上图所示,我们在估计第 t 帧与 t+k 帧之间的错误时,首先由第 t 帧出发跟踪某点到 t+k 帧,在得到的 t+k 帧 再往前反跟踪回放至第 t 帧,利用回溯点与原点之间的欧氏距离作为前后向错误。当然实际中是逐帧比较,也只是计算 t 与 t+1 帧之间的情况。
而所谓的归一化相关参数则表示,其中f1,f2表示两个特征块。
3.输出策略
对结果的输出将综合所有剩余置信度较高的点的偏移情况,利用剩余的点来估计目标的移动情况。利用每个点空间维度移动的中值作为目标的移动情况。然后对于每一个 点,都会计算其与前一点移动情况的比率,以各个点比率的中值作为当前框图相对前一框图scale幅度的变化。然后更新当前框图。至此,则跟踪器各部分介绍完毕,具体图示如下:
4,失败检测
如上图所示,以 di 代表像素的位移,以 dm 表示目标的位移中值,如果 余量 residual = |di - dm| > 10 ,则认为目标移动过快或者被遮挡而未跟踪到结果。
二,检测器设计
1.综述
2.方差比较
3.组合分类器
(1)实现
(2)初始化
4.最近邻分类器
组合分类器的输出结果再经过最近邻分类器输出检测子的结果。
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
- Tracking-Learning-Detection TLD解析二 - 跟踪器及检测器设计
- Tracking-Learning-Detection (TLD跟踪算法)
- Tracking-Learning-Detection TLD解析四 - 扩展及局限
- TLD特征点跟踪TLD(Tracking-Learning-Detection)
- Tracking-Learning-Detection TLD解析一 - 前言
- TLD(Tracking Learning Detection)算法解析
- Tracking-Learning-Detection TLD解析三 - Learning学习(跟踪与检测的协调与更新)
- TLD(Tracking-Learning-Detection)一种目标跟踪算法
- TLD(Tracking-Learning-Detection)一种目标跟踪算法
- 使用TLD(Tracking-Learning-Detection)进行目标跟踪
- TLD(Tracking-Learning-Detection)算法学习与源码解析(二)之runtld.cpp源码解析
- TLD(Tracking-Learning-Detection)学习与源码理解之(跟踪器)
- TLD(Tracking-Learning-Detection) 编译
- TLD目标跟踪算法详解(二)跟踪器与检测器的设计
- TLD(Tracking-Learning-Detection)算法学习与源码解析(三)之 tld.cpp源码解析
- TLD tracking learning detection 学习资料
- TLD(Tracking-Learning-Detection)的理解
- Tracking-Learning-Detection (TLD算法总结)
- 推荐免费下载华软源码430套大型企业管理源码
- linux下socket通信,server和client简单例子(二)
- 小球自由下落(OJ平台)
- myeclipse安装svn插件的多种方式
- linux kernel 自解压过程
- Tracking-Learning-Detection TLD解析二 - 跟踪器及检测器设计
- ASP.NET实现匿名访问控制
- Android系统性能调优工具介绍
- Hadoop平台搭建使用系列教程(1)-资源目录
- Android语言设置默认打开myanmar 缅甸
- MyEclipse中SVN的使用方法
- 菜鸟容易犯的低级错误二
- 键集游标
- 视图索引的机制