OpenTLD 未完成 - 虎头
TLD是一種算法的簡稱，原作者把它叫做Tracking-Learning-Detection。搞視覺的人看到這個名字都會嚇一跳，很ambitious的計劃。是09年的工作，不算太久，不過也不太新。網(wǎng)上關(guān)于這個的資源其實很多，很大程度和作者開放源代碼有關(guān)。
學習過程中碰到的第一個問題就是資源太多---當然是相對這個領(lǐng)域而言，一般能找到一個忠實再現(xiàn)算法的源碼就已經(jīng)很好了。所以把找到的list一下，雖然有點浪費時間，希望可以對其他人有所幫助。具體的細節(jié)就不多說了，有很多很棒的分析也列在下面，比如zouxy09寫的源碼注釋，實在不能再詳細了。如果硬要找茬，那就是大段的文字讓人頭暈，也沒怎么排版。我倒想畫幾個簡單的圖補充一下，不知有什么好點的畫圖程序推薦(latex， or GNUPlot?沒用過)
源代碼資源：
1. 原作者 Zdenek Kalal
作者主頁： http://info.ee.surrey.ac.uk/Personal/Z.Kalal/
源代碼頁: https://github.com/zk00006/OpenTLD
編程語言：Matlab + C
2. Alan Torres版
源代碼頁：https://github.com/alantrrs/OpenTLD
實現(xiàn)語言：C++
3. arthurv版
源代碼頁：https://github.com/arthurv/OpenTLD
實現(xiàn)語言：C++
注：和上面的沒有發(fā)現(xiàn)任何區(qū)別
4. jmfs版
源代碼頁：https://github.com/jmfs/OpenTLD
實現(xiàn)語言：C++
注：和上面兩個沒有區(qū)別，只不過加入了VS2010工程文件，理論上可以直接在Windows下編譯通過。不過opencv檢測不到作者的webcam（！！！），所以他用了另一個VideoInput類來handle攝像頭輸入。
5. Georg Nebehay版 （終于有個不一樣的了。。。。）
源代碼頁：http://gnebehay.github.com/OpenTLD/
注1：這個的好處是提供可執(zhí)行文件下載（Ubuntu 10.04和Windows）。BUT, as you would expect，基本上到了你的機器上都跑不了。還是自己老老實實build吧。
注2：這個版本需要安裝Qt。不過好像作者關(guān)掉了Qt的選項（相關(guān)代碼還在），所以可以編譯，但無法顯示結(jié)果
注3：CSDN下載上有個“openTLD Qt 版“，就是這個版本。不過加了VS的工程文件---在我的機器上還是不能PnP， don't bother
http://download.csdn.net/download/muzi198783/4111915
6. Paul Nader版（又一個Qt 版！）
QOpenTLD: http://qopentld.sourceforge.net/
源代碼頁： http://sourceforge.net/projects/qopentld/
注1：需要OpenCV和Qt。 原系統(tǒng)要求Qt 4.3.7OpenCV 2.2。
注2：Windows和Linux下都提供了編譯工程或makefile。估計也是唯一一個移植到Android平臺下的TLD!
7. Ben Pryke版（又一個student project！）
源代碼頁：https://github.com/Ninjakannon/BPTLD
注：依然是Matlab+C/C++的混合實現(xiàn)。亮點是有很詳細的Documentation（8頁），介紹了算法的理解和實現(xiàn)細節(jié)?？梢詭椭斫庠惴?/span>
博客資源（中文）：
1. ?庖丁解牛TLD （yang_xian521）
http://blog.csdn.net/yang_xian521/article/details/6952870
注1:從文章看作者是基于原作者的matlab版分析的。從函數(shù)名看上面的2/3/4應該是matlab--->C++的"直譯"，函數(shù)名都沒變。這樣最好，可以和下面的對照著看，同時學matlab和C++
2. ?TLD（Tracking-Learning-Detection）學習與源碼理解 (zouxy09)
http://blog.csdn.net/zouxy09/article/details/7893011
注1： 用的是<<arthurv版>>，前面說過，不能再詳細了！
注2： 下面三個是從這篇copy的
3. 《再談PN學習》：
http://blog.csdn.net/carson2005/article/details/7647519
4. 《比微軟kinect更強的視頻跟蹤算法--TLD跟蹤算法介紹》
http://blog.csdn.net/carson2005/article/details/7647500
5. 《TLD視覺跟蹤技術(shù)解析》
http://www.asmag.com.cn/number/n-50168.shtml
想說的話：
1. 分享：前段時間把 TLD::init(...)看完了，本想一鼓作氣，其他的事太多只好放下。不過我對detection和tracking比較熟，init中已經(jīng)把learning作了一遍，看懂了剩下的就容易了。現(xiàn)在重新?lián)炱?#xff0c;無意中發(fā)現(xiàn)了zouxy09的注釋，省了太多力氣，半天就看完了。很多細節(jié)不用自己去摳--- 我們常抱怨這資源那文檔太少，羨慕老外能力強，動作快，和他們愿意分享關(guān)系太大。經(jīng)?？吹揭恍┎诲e的文章收藏起來，過幾天去看居然刪了！
可以理解可能是開公司要保密，但如果害怕別人知道了自己的思路就做不下去，那還是不要在這個領(lǐng)域做了。算法只是思想，誰也壟斷不了。算法也一定是不斷更新的， 抱著一個算法不放也存活不了幾年。原作者也基于這個技術(shù)開公司了，也沒見他們基于這個限制別人使用。SIFT，SURF都patent了也沒聽說賺了大錢，kinect告訴你算法也實現(xiàn)不了。要保密的是實現(xiàn)細節(jié)
2. 比較： 終于看完了實現(xiàn)，總的感覺這個算法還是更象工程應用（engineering）而不是理論突破（也不能要求太多了是不是）。感覺這么結(jié)合后并不一定會比單個的跟蹤（tracking）或檢測（detection-by-classification）模塊作的更好，畢竟還是沒有解決外觀(appearence)和尺度(scale)變化這兩個根本難題。 不過這種框架反而應該在實際中非常實用，因為----------可調(diào)的參數(shù)太多了!
TLD相信很多人都試過了，實時性很多人都在抱怨，而且拿到自己的視頻上總要調(diào)些參數(shù)效果才好。
比較起來更喜歡今年ECCV上Kaihua Zhang的Compressive Tracking：理論高深的嚇人（開玩笑），源碼簡單的嚇人。而且是目前為止我試過的off-the-shelf的tracker中跟蹤效果最好的，不用調(diào)任何參數(shù)，絕對實時----代碼那么少，想不實時都難吧（順便說一句作者的blog就在上面提到過）。這才是做研究的方法，有個強大的理論做支撐，實現(xiàn)可以很簡單卻不會影響效果。所以如果搞數(shù)學的人愿意做應用，很多人都會下崗
http://www4.comp.polyu.edu.hk/~cslzhang/CT/CT.htm
另一個PWP（Pixel-Wise Posteriors），publish時間和TLD差不多，性能看上去也很美，不過作者說要開源，一直沒有兌現(xiàn)。是個遺憾。個人覺得level set對部分遮擋效果應該很好，做到實時也不是難事
http://www.robots.ox.ac.uk/~cbibby/research_pwp.shtml
3. 總結(jié)：TLD其實是一個非常合適的入門和進階算法：
a. 有理論，有高質(zhì)量的paper（BMVC, CVPR, ICPR, 最后PAMI）
b. 有源代碼！Matlab， C++， Windows, Linux, .....你還想要啥？
c. 有不同大牛小牛分享的詳細的介紹和詳細的代碼注釋（幾乎每一行都解釋到了）！
4. 牽涉面廣，涉及到detection, tracking, classifcation，傳統(tǒng)的視覺技術(shù)就是這么硬梆梆的劃分的三大類。研究完了對每一部分多少能有點心得。
總結(jié)
以上是生活随笔為你收集整理的OpenTLD 未完成 - 虎头的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
