文档介绍：Tracking-Learning-Detection目标跟踪算法一、TLD算法简介二、TLD框架结构三、P-N学****四、TLD算法实现主要内容一、TLD算法简介TLD(Tracking-Learning-Detection)是英国萨里大学的一个捷克籍博士生ZdenekKalal在其攻读博士学位期间提出的一种新的单目标长时间(longtermtracking)跟踪算法。,,,“Tracking-Learning-Detection,” PatternAnalysisandMachineIntelligence ,,,“Face-TLD:Tracking-Learning-DetectionAppliedtoFaces,”InternationalConferenceonImageProcessing,2010. ,,,“Forward-BackwardError:AutomaticDetectionofTrackingFailures,” InternationalConferenceonPatternRecognition,2010,-26. ,,,“P-NLearning:BootstrappingBinaryClassifiersbyStructuralConstraints,” puterVisionandPatternRecognition,:ZdenekKalal一、TLD算法简介长时间跟踪的一个关键的问题:目标重新出现重新检测重新跟踪TLD与传统跟踪算法的显著区别: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、消失等问题。同时,通过一种改进的在线学****机制不断更新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。:形变、光照变化、尺度变化、遮挡、消失等情况二、TLD框架结构TLD算法框架主要由三部分组成:跟踪模块、检测模块、学****模块。TLD架构结构图二、TLD框架结构TLD算法运行机制: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****到的目标模型,对每一帧图片进行全局搜索以定位目标可能出现的区域。学****模块根据跟踪模块的结果对检测模块的错误进行评估,并根据评估结果生成训练样本,对检测模块的目标模型及相关参数进行更新。检测模块和跟踪模块互补干涉的并行进行处理。三、P-N学****P-N学****TLD的学****模块,是一种半监督的机器学****算法,目的是在线更新检测器,提高检测器的性能。它针对检测器对样本分类时产生的两种错误提供了两种“专家”进行纠正:P-N学****的主要思想:检测器的错误能够被两种类型的专家(P-experts和N-experts)标识出。P-experts仅识别错误的负样本,N-experts仅识别错误的正样本。P专家(P-expert)检出漏检(falsenegative,正样本被误分为负样本)的正样本,并将其添加到正样本集中;N专家(N-expert)改正误检(falsepositive,负样本被误分为正样本)的正样本,并将其添加到正样本集中。P-N学****结构图P-N学****包含四个部分:、