TLD演算法學習

目前，基於檢測和半監督學習的目標跟蹤演算法已經成為研究的主流。TLD是這其中的經典代表，具有良好的適應性和魯棒性！

TLD提出背景

傳統跟蹤演算法對運動目標初始化後就可以快速地生成目標的運動軌跡，但傳統演算法僅僅依靠的是先驗的知識，非常不利於對實際情況的變化做出適應。並且在不斷的跟蹤中難免會不斷的積累誤差，而且一旦目標跟蹤失敗那麼即使目標再次失敗也無法繼續跟蹤！究其原因，傳統的檢測演算法獨立的評估每一幀視訊序列，判斷每一幀中是否含有目標，如果有目標就給出目標狀態資訊，檢測器不會因目標消失而導致檢測失敗。它們是基於離線訓練的，所以無法對未知目標進行檢測的。根本無法具備獨立應對長時目標跟蹤的條件，因為它們都不直接涉及跟蹤框漂移後的線上處理，誤差積累勢必會越來越嚴重。TLD提出的創始人Zdenek Kalal認為具備長期跟蹤的條件如下：
（1）跟蹤器具備一定的自檢測能力
（2）加入半監督機器學習以實時更新目標模型
（3）檢測模組與跟蹤模組搭配

TLD介紹

TLD演算法由4個模組構成：跟蹤模組、學習模組、檢測模組和整合模組。

跟蹤模組和檢測模組並列執行，兩者相互影響，檢測模組可以重置跟蹤模組，同時跟蹤模組又可以通過學習模組為檢測模組提供訓練資料，緊接著將它們生成正負樣本傳入整合模組，整合模組生成正負樣本參與半監督學習，此時負責儲存具備表徵當前目標外觀的目標模型得到更新，更新之後又反作用於跟蹤模組和檢測模組。

TLD演算法缺陷歸納

（1）手動初始化
（2）貪婪搜尋，基於滑動視窗掃描的。
（3）影像元方差分類器泛化能力相對較弱
（4）目標模型樣本膨脹，樣本不斷的膨脹，冗餘度高。
（5）對相似目標辨識能力相對較弱
（6）發生嚴重遮擋時，目標框易漂移
（7）最近鄰分類器耗時巨大
（8）複雜背景下，目標框易漂移
（9）Median——Flow跟蹤器穩定性相對較弱
（10）目標發生大尺度形變時，目標框易漂移

演算法存在的缺陷也是現在TLD演算法研究學者們不斷改進下手的地方。