13.1 TLD算法源代码

http://blog.csdn.net/cimuhuan/article/details/20392253

最近因为要做一个体育视频跟踪的项目，所以看了一些paper，经过一段时间的代码阅读以及从网上看一些大牛们的讲解，基本上对算法和代码有了一个清晰的轮廓，为了以后可能要用到这些算法，所以在这里简要的总结下，可能写的不是太详细。

首先总的说的下，最近几年（08-13）的paper中基本上都是有跟踪、检测、学习的三个过程，不同的是检测器和跟踪器的设计以及学习算法不同的探索，其中有的paper将compressive representation加入到算法中，得到了很好的实时效果。

TLD算法：这是我看的第一个算法，当时折磨了我很长时间。TLD算法是讲跟踪过程分为了跟踪、检测和学习三个过程：跟踪是用Opencv里的Median-flow算法进行跟踪，就是在第一帧图片里初始化objec patch后，在下一帧中，在初始化的patch里均匀撒点，然后跟踪这些点，用这些点来大致重建patch，得到新的包含目标的patch，跟踪器在整个过程中是不变的，学习算法没有更新跟踪器。检测器是在当前检测帧中，全局搜索与在线模型最匹配的patch，也即Object patch，由于TLD算法中设置的patch有上万个，如果直接用opencv里的matchTemplate函数进行匹配检测，根本无法满足实时性，所以它的检测分为三个部分：首先是查看每一个patch中的方差是否大于阈值，只有大于阈值的时候才认为该patch中可能含有目标，这样能直接剔除掉至少百分之五十的patch，然后使用Fern classifier继续剔除无用的patch，最后用NN classifer（最近森林分类器）得到最终的若干个可能的Object patch，系统用一定的准则在跟踪器得到的一个patch和检测器得到的若干个patch中进行选择最终的包含目标的patch（当然检测器和跟踪器也可能根本得不到目标patch，这样的情况下系统也会有处理方法）。最后，根据确定的Object patch，在其周围产生若干正样本和负样本用于检测器中 Fern classifer 和 NN classfier的update。

点评：TLD算法C++版的比较慢，Matlab版的比较快，它对目标经常消失于视野然后重新出来的场合下尤其有效，不过原作者的代码比较繁琐（Matlab+C)。下面是论文和Code的链接。

http://personal.ee.surrey.ac.uk/Personal/Z.Kalal/tld.html

real-time compressIve tracking：不得不说的是，该算法的思想简练，代码精辟，且效果极好，不过在人物交叉的时候显然不如TLD。

该算法的主要思想是：根据compressIve representation原理，一个高维的稀疏向量H在满足某种条件时可以降维成低维向量L，且L保存了H的绝大部分信息。L=MH。其中，L维m维向量，H维n维向量（特别大），M为转换矩阵。根据该思想，算法首先构造一个固定的转换矩阵M（在算法运行过程中一直不变），在初始化object patch后，在离该patch比较近的地方提取正样本patch，在较远的地方提取负样本patch（他们可以看做为H，即高维向量）在经M降维后训练朴素贝叶斯分类器。然后在循环的每一帧处理过程中，首先在上一帧的patch位置附近构造不同大小的patch，然后将这些patch降维，用训练好的朴素贝叶斯分类器分类得到分数最高的patch，该patch就被认为当前帧中包含目标的patch，然后在该patch附近继续提取正样本和负样本，Update朴素贝叶斯分类器，就这样一直循环。论文和算法的链接见下面：

http://www4.comp.polyu.edu.hk/~cslzhang/CT/CT.htm

PS：本文会后续中继续分享我对别的Object trackingpaper的个人心得。