我注释的版本也发上来,不过里面可能有我的理解错误,各位谨慎参考吧http://download.csdn.net/detail/cv_richie/5018164
前面这些都看懂了,TLD都后面真正跑起来的程序也都不难理解了,因此我就不贴代码上来了。
总结一下自己粗浅的感受,希望大神们来批评指正。
回味一下看过的代码和文章,TLD算法的思想打个不恰当的比方和boosting有那么一点点神似。LK光流法,随机厥分类做检测,PN学习,都是一些相对简单的模块,TLD的优势就在于他们之间的取长补短相互补充。
踪轨迹的连续,靠LK跟踪的结果与在轨迹上的检测结果加权修正。
对于目标外观的变化,靠的是PN学习的不断更新,而PN专家的知识又来自可信的跟踪的结果,和在目标模型中的最近邻分类。
而我觉得TLD结果的优秀很重要的一方面就是他对那些非目标负样本模型的建立,但是这也是对TLD算法的一个很大限制。
另外,这种不对学习的机制并不万能,对缓慢的逐渐遮挡情况下的跟踪是致命的,很容易就跟着遮挡跑了,跑过程序就一定能发现。
但是总重要的还是这个TLD的框架设计,作者也说这是他的最大贡献,这种综合的框架方法更能解决广泛的跟踪问题。
想到哪说哪,各位受累了。