tld跟蹤演算法

⑴ 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。

⑵ 德雲系：擴展模塊的目標跟蹤演算法有哪些

你好，分為了以下四種：
1. KCF：TrackerKCF 使用目標周圍區域的循環矩陣採集正負樣本,利用脊回歸訓練目標檢測器,並成功的利用循環矩陣在傅里葉空間可對角化的性質將矩陣的運算轉化為向量的Hadamad積,即元素的點乘,大大降低了運算量,提高了運算速度,使演算法滿足實時性要求.
2.MIL：TrackerMIL 以在線方式訓練分類器將對象與背景分離;多實例學習避免魯棒跟蹤的漂移問題
3. OLB：TrackerBoosting 基於AdaBoost演算法的在線實時對象跟蹤.分類器在更新步驟中使用周圍背景作為反例以避免漂移問題.
4.MedianFlow：TrackerMedianFlow 跟蹤器適用於非常平滑和可預測的運動,物體在整個序列中可見.
5.TLD：TrackerTLD 將長期跟蹤任務分解為跟蹤，學習和檢測.跟蹤器在幀之間跟蹤對象.探測器本地化所觀察到的所有外觀,並在必要時糾正跟蹤器.學習估計檢測器的錯誤並進行更新以避免再出現這些錯誤.追蹤器能夠處理快速運動,部分遮擋,物體缺失等情況.

⑶ 車輛檢測與跟蹤 用Vibe演算法提取前景後，再用均值漂移跟蹤 行得通嗎

kalman只是一個預測方法(預測物體下一幀的可能位置), 一般後面要有一個其他方法在預測區域內進行搜索驗證, 比如先用kalman預測,再用mean-shift在預測區域內搜索, 這兩步驟在一起完成跟蹤過程.

至於速度問題, mean-shift, KLT, template match都可以很快, 當然效果上各有優缺點, 似乎TLD也早就做到了實時