OpenTLD 学习(1)

       为对象跟踪执行适应性tracking-by-detection当前最先进的方法,这意味着一个检测器预测对象的位置和调整其参数对象的同时出现。而适合从现场情况下当对象不消失,这些方法往往不能遮挡。在这项工作中,我们建立一个新颖的方法称为Tracking-Learning检测(TLD),克服了这个问题。方法基于TLD,探测器是训练实例的轨迹追踪发现本身并不依赖于对象探测器。通过解耦对象跟踪和对象检测我们达到高鲁棒性,优于现有的自适应tracking-by-detection方法。我们为对象检测表明,通过使用简单的特性,采用级联的方法大大降低计算时间。我们评估我们的方法在现有标准单机数据集以及新记录序列在多个摄像机场景。

       人类大脑的视觉皮层定位并通过分析到达作为被在视网膜[20]触发动作电位的信息标识对象。而感知心理学家研究人的视觉系统如何解释环境刺激，研究人员在计算机视觉发展，以便提取关于根据摄像机的图像[44]的物理对象信息的数学技术。计算机视觉方法应用于光学字符识别，质检，机器人指导，场景重建和对象分类[47]的研究在计算机视觉。一是域是对象跟踪，即判断在连续的视频目标的位置，其中的方法进行了研究帧[34]。的highpowered计算机的普及，高品质和低廉的视频摄像头，并且需要自动视频分析的有效性已经引起兴趣申请对象跟踪算法自动化监控，视频数据，人机交互，交通监控和车辆的自动标注导航[50]。

       1.1 Problem Definition

       在这项工作中，我们专注于半自动单目标跟踪。单目标跟踪的问题定义如下[34]。给定的图像I 1的序列。。。在，估算每帧谥靶的状态XK。对象跟踪方法进行编码的状态XK为重心，边界框，边界椭圆，点链或形状[34]。例如，在图1.1，一个边界框示出围绕感兴趣对象。在这种情况下，XK的参数包括矩形（X，Y），其宽度和高度的左上角。马吉奥和CAVALLARO[34]基团方法的基础上的用户交互的所需要识别感兴趣的对象的量。手动跟踪需要与在每个帧中的用户的交互。自动跟踪方法，以自动地初始化跟踪过程中使用的先验信息。在半自动化的跟踪，需要用户输入，以初始化跟踪process.According到马吉欧和CAVALLARO[34]，在目标跟踪的主要挑战是杂乱。