最近在網(wǎng)上多次看到有關(guān)Zdenek Kalal的TLD的文章，說他做的工作如何的帥，看了一下TLD的視頻，感覺確實(shí)做的很好，有人夸張的說他這個系統(tǒng)可以和Kniect媲美，我倒是兩者的工作可比性不大，實(shí)現(xiàn)的方法也不同。但這個哥們做的真的很棒，最可貴的是人家提供了源碼可以下載。他相關(guān)的工作網(wǎng)上一搜一大片，推薦一個鏈接http://www.cvchina.net/article-22-1.html，再給個作者網(wǎng)站的鏈接http://info.ee.surrey.ac.uk/Personal/Z.Kalal/。

看了他的demo視頻頓時心潮澎湃，趕緊下載了他的源代碼后又有些崩潰了。他的工作量還是很大的，得靜下心來慢慢研究。直接看代碼難免云里霧里的，先看看人家的論文吧。

這哥們這幾年可真沒少發(fā)paper啊，我比較關(guān)注他實(shí)現(xiàn)的算法。TLD即Tracking Learning Detector，我認(rèn)為就是依據(jù)跟蹤學(xué)習(xí)的目標(biāo)檢測。看了他08年發(fā)表的一篇文章，介紹了他的這個算法，那時候還把算法稱為TMD（tracking、modeling、detection），他的tracking工作時基于Lucas-Kanade光流法的。modeling學(xué)習(xí)的過程有g(shù)rowing和pruning兩方面的工作，可以正負(fù)反饋，得到較好的學(xué)習(xí)結(jié)果，對于他的學(xué)習(xí)過程，他在另一篇文章中又詳細(xì)介紹了P-N learning這種學(xué)習(xí)算法。detection的部分用的是隨機(jī)森林的機(jī)器學(xué)習(xí)辦法，加上bootstarps。對于特征的選擇，他提出了一種基于LBP特征的2bit BP特征。幾篇文章下來，我已經(jīng)有點(diǎn)暈乎了，這些算法都不是太熟悉，看來得結(jié)合代碼一個個啃了。

代碼正在一點(diǎn)點(diǎn)啃，有同樣興趣的朋友可以交流指導(dǎo)一下，不勝感激。

總結(jié)

以上是生活随笔為你收集整理的庖丁解牛TLD（一）——开篇的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。