tld算法

⑴ 如何在opencv中使用tld算法

整个编译的过程跟我上一篇说的编译CMT算法基本一样，但是需要注意以下几点：

第一点：选择Cmake中的源目录如下：

这里写图片描述

第二点：下图红色框里面的解决方案要分别设置运行库

这里写图片描述

第三点：运行程序时候不能直接点exe,必须传参启动，具体看README文件，可以自己写个bat文件启动

在exe所在目录新建个txt文件，里面添加下面这句话：
run_tld.exe -p ../../parameters.yml -s ../../datasets/06_car/car.mpg -b ../../datasets/06_car/init.txt
1
1
这里写图片描述

改后缀为bat文件，运行就可以看到效果，还是那句话，具体看README

⑵ 计算机视觉中，目前有哪些经典的目标跟踪算法

第一章介绍运动的分类、计算机视觉领域中运动分析模型、计算机视觉领域运动检测和目标跟踪技术研究现状、计算机视觉领域中运动分析技术的难点等内容；
第二章介绍传统的运动检测和目标跟踪算法，包括背景差分法、帧间差分法、光流场评估算法等；
第三章介绍具有周期性运动特征的低速目标运动检测和跟踪算法，并以CCD测量系统为例介绍该算法的应用；
第四章介绍高速运动目标识别和跟踪算法，并以激光通信十信标光捕获和跟踪系统为例介绍该算法的应用；
第五章介绍具有复杂背景的目标运动检测过程中采用的光流场算法，包括正规化相关的特性及其改进光流场评估算法，并介绍改进光流场算法的具体应用；
第六章介绍互补投票法实现可信赖运动向量估计。

⑶ 谁有基于协方差矩阵的目标跟踪算法的代码

跟踪是一个很混乱的方向。

比如TLD、CT、Struct这些效果不错的Tracker其实都不是单纯的Tracker了。09年的时候我记得比较流行的是Particle Filtering， 或者一些MeanShift/CamShift的变形，比如特征变了，比如对问题的假设变了。

⑷ 一般目标跟踪算法速度有多快

跟踪是一个很混乱的方向。

比如TLD、CT、Struct这些效果不错的Tracker其实都不是单纯的Tracker了。09年的时候我记得比较流行的是Particle Filtering， 或者一些MeanShift/CamShift的变形，比如特征变了，比如对问题的假设变了。

后来突然出现一些tracking by detection的方法，之前的很多朋友就觉得这是耍流氓。比如TLD，严格的跟踪算法也许只是里面的Forward/Backward Opitcal Flow的部分，但是效果很Impressive，所以不管怎样，一下就火了。

之后所谓的跟踪就不再是一个传统的跟踪问题，而是一个综合的工程问题。online learning，random projection ，sparse learning的东西都加进来，大家其实到底是在做跟踪还是在做检测或者online learning，其实已经不重要，因为衡量的标准是你在某些public dataset上的精度。

但这些对实际的项目有没有帮助呢？

这是个很有意思的地方，在很多时候，我们之所以需要跟踪算法，是因为我们的检测算法很慢，跟踪很快。基本上当前排名前几的跟踪算法都很难用在这样的情况下，因为你实际的速度已经太慢了，比如TLD，CT，还有Struct，如果目标超过十个，基本上就炸了。况且还有些跟踪算法自己drift掉了也不知道，比如第一版本的CT是无法处理drift的问题的，TLD是可以的，究其原因还是因为检测算法比较鲁棒啊……

实际中我觉得速度极快，实现也简单的纯跟踪算法居然是NCC和Overlap。

NCC很简单，这个是对点进行的，对于区域也有很多变种，网上有一些相关的资源。

Overlap是我取的名字，一般用在里面，假如你的摄像头是静止的，背景建模之后出来的前景可以是一个一个的blob，对相邻两帧的blob检测是否Overlap就可以得到track。在一些真实场景下，这个算法是非常有效的。关于背景template的问题在真实的里面也是很好解决的。

坐在电脑前面调试代码tuning 各种阈值让跟踪算法在某一个帧下面不要drift的事情我是再也不想干了。
顺祝你2015幸福快乐。

⑸ tld算法 MATLAB版 能否改为测试视频文件

kalal的混合编程的代码很早就下载了，但是一直没有去调试，前一段时间看了差不多一个月的文献，终于把作者的算法大致讲的意思给弄明白了，但是里面涉及到的很多细节的东西还是不太清楚，由于自己刚换的方向，理论基础薄弱，讲报告的时候，面对师兄的提问回答的不够好，结果被老师给批评了。

⑹ TLD的介绍

TLD(Tracking-Learning-Detection)是英国萨里大学的一个捷克籍博士生Zdenek Kalal在其攻读博士学位期间提出的一种新的单目标长时间跟踪（long term tracking）算法。该算法与传统跟踪算法的显着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“显着特征点”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、可靠。

⑺ 比较耗时的跟踪算法有哪些

之前写过一些tracking的东西，把最近看的比较流量的算法写一下：个人觉得值得仔细研究的tracking算法包括：
Mean-shift, Particle Filter, Ensemble Tracking
TLD, 压缩感知跟踪，KCF Tracker及其改进
速度慢于50fps的跟踪算法就没有必要搞了，基本上没有可能做到实时的。