tld演算法

① 如何提升tld演算法vs運行速度

64位環境下，使用opencv2.2.0經歷過一模一樣的錯誤，因為opencv2.2.0下沒有找到x86或x64的lib文件夾，可能根本不區分系統位數吧。然後改用opencv-2.4.13，將compile.m文件下opencv的路徑改為如下兩行（opencv的安裝路徑）

② 比較耗時的跟蹤演算法有哪些

之前寫過一些tracking的東西，把最近看的比較流量的演算法寫一下：個人覺得值得仔細研究的tracking演算法包括：
Mean-shift, Particle Filter, Ensemble Tracking
TLD, 壓縮感知跟蹤，KCF Tracker及其改進
速度慢於50fps的跟蹤演算法就沒有必要搞了，基本上沒有可能做到實時的。

③ 計算機視覺中，目前有哪些經典的目標跟蹤演算法

第一章介紹運動的分類、計算機視覺領域中運動分析模型、計算機視覺領域運動檢測和目標跟蹤技術研究現狀、計算機視覺領域中運動分析技術的難點等內容；
第二章介紹傳統的運動檢測和目標跟蹤演算法，包括背景差分法、幀間差分法、光流場評估演算法等；
第三章介紹具有周期性運動特徵的低速目標運動檢測和跟蹤演算法，並以CCD測量系統為例介紹該演算法的應用；
第四章介紹高速運動目標識別和跟蹤演算法，並以激光通信十信標光捕獲和跟蹤系統為例介紹該演算法的應用；
第五章介紹具有復雜背景的目標運動檢測過程中採用的光流場演算法，包括正規化相關的特性及其改進光流場評估演算法，並介紹改進光流場演算法的具體應用；
第六章介紹互補投票法實現可信賴運動向量估計。

④ tld演算法 MATLAB版 能否改為測試視頻文件

kalal的混合編程的代碼很早就下載了，但是一直沒有去調試，前一段時間看了差不多一個月的文獻，終於把作者的演算法大致講的意思給弄明白了，但是裡面涉及到的很多細節的東西還是不太清楚，由於自己剛換的方向，理論基礎薄弱，講報告的時候，面對師兄的提問回答的不夠好，結果被老師給批評了。

⑤ 誰有基於協方差矩陣的目標跟蹤演算法的代碼

跟蹤是一個很混亂的方向。

比如TLD、CT、Struct這些效果不錯的Tracker其實都不是單純的Tracker了。09年的時候我記得比較流行的是Particle Filtering， 或者一些MeanShift/CamShift的變形，比如特徵變了，比如對問題的假設變了。

⑥ 如何在opencv中使用tld演算法

整個編譯的過程跟我上一篇說的編譯CMT演算法基本一樣，但是需要注意以下幾點：

第一點：選擇Cmake中的源目錄如下：

這里寫圖片描述

第二點：下圖紅色框裡面的解決方案要分別設置運行庫

這里寫圖片描述

第三點：運行程序時候不能直接點exe,必須傳參啟動，具體看README文件，可以自己寫個bat文件啟動

在exe所在目錄新建個txt文件，裡面添加下面這句話：
run_tld.exe -p ../../parameters.yml -s ../../datasets/06_car/car.mpg -b ../../datasets/06_car/init.txt
1
1
這里寫圖片描述

改後綴為bat文件，運行就可以看到效果，還是那句話，具體看README

⑦ TLD的介紹

TLD(Tracking-Learning-Detection)是英國薩里大學的一個捷克籍博士生Zdenek Kalal在其攻讀博士學位期間提出的一種新的單目標長時間跟蹤（long term tracking）演算法。該演算法與傳統跟蹤演算法的顯著區別在於將傳統的跟蹤演算法和傳統的檢測演算法相結合來解決被跟蹤目標在被跟蹤過程中發生的形變、部分遮擋等問題。同時，通過一種改進的在線學習機制不斷更新跟蹤模塊的「顯著特徵點」和檢測模塊的目標模型及相關參數，從而使得跟蹤效果更加穩定、可靠。

⑧ 關於TLD目標跟蹤演算法的問題

跟蹤是一個很混亂的方向。

比如TLD、CT、Struct這些效果不錯的Tracker其實都不是單純的Tracker了。09年的時候我記得比較流行的是Particle Filtering， 或者一些MeanShift/CamShift的變形，比如特徵變了，比如對問題的假設變了。

後來突然出現一些tracking by detection的方法，之前的很多朋友就覺得這是耍流氓。比如TLD，嚴格的跟蹤演算法也許只是裡面的Forward/Backward Opitcal Flow的部分，但是效果很Impressive，所以不管怎樣，一下就火了。

之後所謂的跟蹤就不再是一個傳統的跟蹤問題，而是一個綜合的工程問題。online learning，random projection ，sparse learning的東西都加進來，大家其實到底是在做跟蹤還是在做檢測或者online learning，其實已經不重要，因為衡量的標準是你在某些public dataset上的精度。

但這些對實際的項目有沒有幫助呢？

這是個很有意思的地方，在很多時候，我們之所以需要跟蹤演算法，是因為我們的檢測演算法很慢，跟蹤很快。基本上當前排名前幾的跟蹤演算法都很難用在這樣的情況下，因為你實際的速度已經太慢了，比如TLD，CT，還有Struct，如果目標超過十個，基本上就炸了。況且還有些跟蹤演算法自己drift掉了也不知道，比如第一版本的CT是無法處理drift的問題的，TLD是可以的，究其原因還是因為檢測演算法比較魯棒啊……

實際中我覺得速度極快，實現也簡單的純跟蹤演算法居然是NCC和Overlap。

NCC很簡單，這個是對點進行的，對於區域也有很多變種，網上有一些相關的資源。

Overlap是我取的名字，一般用在裡面，假如你的攝像頭是靜止的，背景建模之後出來的前景可以是一個一個的blob，對相鄰兩幀的blob檢測是否Overlap就可以得到track。在一些真實場景下，這個演算法是非常有效的。關於背景template的問題在真實的裡面也是很好解決的。

坐在電腦前面調試代碼tuning 各種閾值讓跟蹤演算法在某一個幀下面不要drift的事情我是再也不想幹了。
順祝你2015幸福快樂。