TLD（Tracking-Learning-Detection）一种目标跟踪算法

    TLD(Tracking-Learning-Detection)是英国萨里大学的一个捷克籍博士生Zdenek Kalal在其攻读博士学位期间提出的一种新的单目标长时间（long term tracking）跟踪算法。该算法与传统跟踪算法的显著区别在于将传统的跟踪算法和传统的检测算法相结合来解决被跟踪目标在被跟踪过程中发生的形变、部分遮挡等问题。同时，通过一种改进的在线学习机制不断更新跟踪模块的“显著特征点”和检测模块的目标模型及相关参数，从而使得跟踪效果更加稳定、鲁棒、可靠。

    对于长时间跟踪而言，一个关键的问题是：当目标重新出现在相机视野中时，系统应该能重新检测到它，并开始重新跟踪。但是，长时间跟踪过程中，被跟踪目标将不可避免的发生形状变化、光照条件变化、尺度变化、遮挡等情况。传统的跟踪算法，前端需要跟检测模块相互配合，当检测到被跟踪目标之后，就开始进入跟踪模块，而此后，检测模块就不会介入到跟踪过程中。但这种方法有一个致命的缺陷：即，当被跟踪目标存在形状变化或遮挡时，跟踪就很容易失败；因此，对于长时间跟踪，或者被跟踪目标存在形状变化情况下的跟踪，很多人采用检测的方法来代替跟踪。该方法虽然在某些情况下可以改进跟踪效果，但它需要一个离线的学习过程。即：在检测之前，需要挑选大量的被跟踪目标的样本来进行学习和训练。这也就意味着，训练样本要涵盖被跟踪目标可能发生的各种形变和各种尺度、姿态变化和光照变化的情况。换言之，利用检测的方法来达到长时间跟踪的目的，对于训练样本的选择至关重要，否则，跟踪的鲁棒性就难以保证。

   推荐大家多多访问国外作者的主页：http://info.ee.surrey.ac.uk/Personal/Z.Kalal/

    在作者网站上有相关源代码的下载以及他的一些有用的论文的下载：

    原作者的源代码为Matlab以及C混合编程的，已经有人将C++版本的源代码分享：http://gnebehay.github.com/OpenTLD/

    Github上的源代码也可以使用：https://github.com/arthurv/OpenTLD

CSDN上比较有用的博客有：

（1）《庖丁解牛TLD》系列：

http://blog.csdn.net/yang_xian521/article/details/7091587

（2）《再谈PN学习》：

http://blog.csdn.net/carson2005/article/details/7647519

（3）《比微软kinect更强的视频跟踪算法--TLD跟踪算法介绍》

http://blog.csdn.net/carson2005/article/details/7647500

（4）《TLD视觉跟踪技术解析》

http://www.asmag.com.cn/number/n-50168.shtml

（5）《TLD（Tracking-Learning-Detection）学习与源码理解之（一）》

http://blog.csdn.net/zouxy09/article/details/7893011

    希望这些资料对希望学习TLD算法的人有帮助。