色天天综合网色天天,欧美内射rape视频,亚洲ⅴ国产v天堂a无码二区,日本新janpanese乱熟

　　TLD智能跟蹤器技術分析

　　在城市軌道交通的監控中，智能視頻分析技術曾風極一時，然而由于城市軌道交通的監控環境比較復雜，其不僅區域大、周界長、擁有多站臺多出入及眾多圍欄等相關設備。這種復雜的環境給智能分析帶來諸多困難，而作為當前新穎的TLD[跟蹤-學習-檢測”(Tracking-Learning-Detection)的縮寫]視覺跟蹤技術能夠解決這些問題。

　　TLD跟蹤系統最大的特點就在于能對鎖定的目標進行不斷的學習，以獲取目標最新的外觀特征，從而及時完善跟蹤，以達到最佳的狀態。也就是說，開始時只提供一幀靜止的目標圖像，但隨著目標的不斷運動，系統能持續不斷地進行探測，獲知目標在角度、距離、景深等方面的改變，并實時識別，經過一段時間的學習之后，目標就再也無法躲過。

　　TLD技術有三部分組成，即跟蹤器、學習過程和檢測器。TLD技術采用跟蹤和檢測相結合的策略，是一種自適應的、可靠的跟蹤技術。TLD技術中，跟蹤器和檢測器并行運行，二者所產生的結果都參與學習過程，學習后的模型又反作用于跟蹤器和檢測器，對其進行實時更新，從而保證了即使在目標外觀發生變化的情況下，也能夠被持續跟蹤。

　　跟蹤器

　　TLD跟蹤器采用重疊塊跟蹤策略，單塊跟蹤使用Lucas-Kanade光流法。TLD在跟蹤前需要指定待跟蹤的目標，由一個矩形框標出。最終整體目標的運動取所有局部塊移動的中值，這種局部跟蹤策略可以解決局部遮擋的問題。

　　學習過程

　　TLD的學習過程是建立在在線模型(online model)的基礎上。在線模型是一個大小為15×15的圖像塊的集合，這些圖像塊來自跟蹤器和檢查器所得的結果，初始的在線模型為起始跟蹤時指定的待跟蹤的目標圖像。

　　在線模型是一個動態模型，它隨視頻序列增長或減小。在線模型的發展有兩個事件來驅動，分別為增長事件和修剪事件。由于在實際中，來自環境和目標本身等多因素的影響，使目標的外觀不斷發生變化，這使得由跟蹤器預測產生的目標圖像會包含更多其它感興趣的因素。如果我們把跟蹤軌跡上所有目標圖像看成一個特征空間，那么隨著視頻序列的推進，由跟蹤器所致的特征空間將不斷增大，這就是所說的增長事件。為了防止增長事件帶來的雜質(其他非目標圖像)影響跟蹤效果，采用了與之相對的修剪事件來平衡。修剪事件就是用來去除增長事件所致的雜質。由此，兩事件的相互作用促使在線模型一直保持與當前的跟蹤目標相一致。

　　由增長事件帶來的特征空間的擴張來自于跟蹤器，即從處于跟蹤軌跡上的目標圖像中選擇合適的樣本，并以此來更新在線模型。有三種選擇策略，具體如下。