TLD跟踪算法图文流程.pptx

TLD跟踪学习报告;概述：TLD算法，即Tracking，Learning，Detection的简称，最初由捷克籍博士生Zdenek Kalal提出，用于对一个长时间对运动目标进行跟踪。TLD跟踪系统最大的特点就在于能对锁定的目标进行不断的学习，以获取目标最新的外观特征，从而及时完善跟踪，以达到最佳的状态。也就是说，开始时只提供一帧静止的目标图像，但随着目标的不断运动，系统能持续不断地进行探测，获知目标在角度、距离、景深等方面的改变，并实时识别，经过一段时间的学习之后，目标就再也无法躲过。TLD算法在运行时，三个模块同时进行运算，相互补充，跟踪模块负责跟踪并预测目标可能出现的位置，检测模块负责寻找目标，检测跟踪模块的准确性，学习模块对跟踪目标进行学习，对目标可能出现的形变进行适应，及时更新跟踪器与检测器的参数，保证跟踪的准确性。 深入解读TLD代码;TLD算法的整体结构：; TLD算法VC版本代码的源文件如下：FerNNClassifier.cpp，LKTracker.cpp，run_tld.cpp，TLD.cpp，tld_utils.cpp。 FerNNClassifier的功能：实现集合分类器与最近邻分类器； LKTracker.cpp的功能：实现金字塔LK光流法的目标跟踪并且评估跟踪结果； run_tld.cpp的功能：实现与用户的交互，反馈鼠标的操作，完成跟踪框的读入； TLD.cpp的功能：TLD算法框架，包括了初始化以及对帧的处理过程。;TLD的运行过程。 一、读取并初始化参数 void TLD::read(const FileNode file)函数完成了图像片大小 min_win参数的读取、初始化正样本参数以及正样本更新需要的的参数。 二、TLD系统初始化 void TLD::init(const Mat frame1,const Rect box,FILE* bb_file) （1）调用buildGrid(frame1,box)函数，根据输入的box在输入的帧frame中构建全部的扫描窗口； buildGrid（）函数声明如下： void TLD::buildGrid(const cv::Mat img, const cv::Rect box) ;{ const float SHIFT = 0.1; const float SCALES[] = {0.16151,0.19381,0.23257,0.27908,0.33490,0.40188,0.48225, 0.57870,0.69444,0.83333,1,1.20000,1.44000,1.72800, 2.07360,2.48832,2.98598,3.58318,4.29982,5.15978,6.19174}; int width, height, min_bb_side; BoundingBox bbox; Size scale; int sc=0; for (int s=0;s21;s++) { width = round(box.width*SCALES[s]); height = round(box.height*SCALES[s]); min_bb_side = min(height,width); if (min_bb_side min_win || width img.cols || height img.rows) continue; scale.width = width; scale.height = height; scales.push_back(scale);; for (int y=1;yimg.rows-height;y+=round(SHIFT*min_bb_side)) { for (int x=1;ximg.cols-width;x+=round(SHIFT*min_bb_side)) { bbox.x = x; bbox.y = y; bbox.width = width; bbox.height = height; bbox.overlap = bbOverlap(bbox,BoundingBox(box)); bbox.sidx = sc; grid.push_back(bbox); } } sc++; } };（2）计算输入帧的积分图像并