TLD是一种算法的简称，原作者把它叫做Tracking-Learning-Detection。搞视觉的人看到这个名字都会吓一跳，很ambitious的计划。是09年的工作，不算太久，不过也不太新。网上关于这个的资源其实很多，很大程度和作者开放源代码有关。 学习过程中碰到的第一个问题就是资源太多—当然是相对这个领域而言，一般能找到一个忠实再现算法的源码就已经很好了。所以把找到的list一下，虽然有点浪费时间，希望可以对其他人有所帮助。具体的细节就不多说了，有很多很棒的分析也列在下面，比如zouxy09写的源码注释，实在不能再详细了。如果硬要找茬，那就是大段的文字让人头晕，也没怎么排版。 源代码资源：1. 原作者 Zdenek Kalal
编程语言：Matlab + C
2. Alan Torres版
实现语言：C++
3. arthurv版
实现语言：C++
注：和上面的没有发现任何区别
4. jmfs版
实现语言：C++
注：和上面两个没有区别，只不过加入了VS2010工程文件，理论上可以直接在Windows下编译通过。不过opencv检测不到作者的webcam（！！！），所以他用了另一个VideoInput类来handle摄像头输入。
This is an adaptation of arthurv's fork of OpenTLD (https://github.com/arthurv/OpenTLD) to be immeadiately runnable in Visual Studio 2010.5. Georg Nebehay版 （终于有个不一样的了。。。。）
注1：这个的好处是提供可执行文件下载（Ubuntu 10.04和Windows）。BUT, as you would expect，基本上到了你的机器上都跑不了。还是自己老老实实build吧。
注2：这个版本需要安装Qt。不过好像作者关掉了Qt的选项（相关代码还在），所以可以编译，但无法显示结果
注3：CSDN下载上有个“openTLD Qt 版“，就是这个版本。不过加了VS的工程文件—在我的机器上还是不能PnP， don’t bother
6. Paul Nader版（又一个Qt 版！）
注1：需要OpenCV和Qt。 原系统要求Qt 4.3.7OpenCV 2.2。
注2：Windows和Linux下都提供了编译工程或makefile。估计也是唯一一个移植到Android平台下的TLD!
7. Ben Pryke版（又一个student project！）
注：依然是Matlab+C/C++的混合实现。亮点是有很详细的Documentation（8页），介绍了算法的理解和实现细节。可以帮助理解原算法
8. ccv 的TLD: Track Learn Detect
9. CUDA acceleration for OpenTLD‘s object detector
博客资源（中文）：1. 庖丁解牛TLD （yang_xian521）
注1:从文章看作者是基于原作者的matlab版分析的。从函数名看上面的2/3/4应该是matlab—>C++的”直译”，函数名都没变。这样最好，可以和下面的对照着看，同时学matlab和C++
2. TLD（Tracking-Learning-Detection）学习与源码理解 (zouxy09)
注1： 用的是<<arthurv版>>，前面说过，不能再详细了！
注2： 下面三个是从这篇copy的
3. 《再谈PN学习》：
4. 《比微软kinect更强的视频跟踪算法–TLD跟踪算法介绍》
5. 《TLD视觉跟踪技术解析》
想说的话：1. 分享：前段时间把 TLD::init(…)看完了，本想一鼓作气，其他的事太多只好放下。不过我对detection和tracking比较熟，init中已经把learning作了一遍，看懂了剩下的就容易了。现在重新捡起，无意中发现了zouxy09的注释，省了太多力气，半天就看完了。很多细节不用自己去抠— 我们常抱怨这资源那文档太少，羡慕老外能力强，动作快，和他们愿意分享关系太大。经常看到一些不错的文章收藏起来，过几天去看居然删了！
可以理解可能是开公司要保密，但如果害怕别人知道了自己的思路就做不下去，那还是不要在这个领域做了。算法只是思想，谁也垄断不了。算法也一定是不断更新的， 抱着一个算法不放也存活不了几年。原作者也基于这个技术开公司了，也没见他们基于这个限制别人使用。SIFT，SURF都patent了也没听说赚了大钱，kinect告诉你算法也实现不了。要保密的是实现细节
2. 比较： 终于看完了实现，总的感觉这个算法还是更象工程应用（engineering）而不是理论突破（也不能要求太多了是不是）。感觉这么结合后并不一定会比单个的跟踪（tracking）或检测（detection-by-classification）模块作的更好，毕竟还是没有解决外观(appearence)和尺度(scale)变化这两个根本难题。 不过这种框架反而应该在实际中非常实用，因为———-可调的参数太多了!
TLD相信很多人都试过了，实时性很多人都在抱怨，而且拿到自己的视频上总要调些参数效果才好。
比较起来更喜欢今年ECCV上Kaihua Zhang的Compressive Tracking：理论高深的吓人（开玩笑），源码简单的吓人。而且是目前为止我试过的off-the-shelf的tracker中跟踪效果最好的，不用调任何参数，绝对实时—-代码那么少，想不实时都难吧（顺便说一句作者的blog就在上面提到过）。这才是做研究的方法，有个强大的理论做支撑，实现可以很简单却不会影响效果。所以如果搞数学的人愿意做应用，很多人都会下岗
另一个PWP（Pixel-Wise Posteriors），publish时间和TLD差不多，性能看上去也很美，不过作者说要开源，一直没有兑现。是个遗憾。个人觉得level set对部分遮挡效果应该很好，做到实时也不是难事
3. 总结：TLD其实是一个非常合适的入门和进阶算法：
a. 有理论，有高质量的paper（BMVC, CVPR, ICPR, 最后PAMI）
b. 有源代码！Matlab， C++， Windows, Linux, …..你还想要啥？
c. 有不同大牛小牛分享的详细的介绍和详细的代码注释（几乎每一行都解释到了）！
4. 牵涉面广，涉及到detection, tracking, classifcation，传统的视觉技术就是这么硬梆梆的划分的三大类。研究完了对每一部分多少能有点心得。
分享
顶
踩
照妖镜
