Tracking-Learning-Detection (TLD)

TLD에 의해 주장된 long-term Tracking의 문제는 얼굴에 적용할 경우, 억제할 수 있다.

하나의 프레임으로부터 시작하고, 전체 검출기는 온라인으로 학습된다.

효율적인 분류기는 객체와 배경의 결정 경계를 표현한다.(랜덤 포레스트)

얼굴 추적의 경우, 다양한 얼굴 검출기를 쉽게 이용할 수 있기 때문에 전체 검출기의 집합?은 필요치않다.

따라서 validator로 구성된 학습기는 얼굴 패치가 타겟인지 아닌지를 결정한다.

이러한 판정은 적은 후보 영역만을 판단하면 되기 때문에, 얼굴 검출보다 상당히 작은 시간을 요구한다( 연산량이 작다),

반면에,

TLD Homepage : http://kahlan.eps.surrey.ac.uk/featurespace/tld/

 c code : https://github.com/gnebehay/OpenTLD

 

분석

1. 현재 데이터 저장

2. 흑백으로 변환

3. 추적

3.1 이전 박스를 이용해서 추적된 새로운 박스를 구함.

4. 검출

전경 영역 검출 - 움직임 영역(Rect)를 구하는 듯함.

인티그럴 영상 생성 ( 제곱 영상도 함꼐 만듬)

스퀘어 영상은 어떤 영역의 분산 값이 큰 지를 보기 위해 사용하는 듯 하다. 이유는 좋은 특징이 될 수 있는지, 아닌지를 판단하는 것 같다.

가정 혼합

검출 영역의 분류

추적 영역의 분류

가장 가까운 이웃과의 코럴레이션을 구해서 거리를 구한다. 네거티브와의 거리를 구하는 것 같음.

추적 영역과 검출 영역의 오버랩 영역을 판단하여, 검출된 영역을 정할 것인지, 추적된 영역을 정할 것인지 판단함.

만약 추적 영역을 정할 경우, 유효성 검사를 하는 듯

학습

결정된 사각형과

 

 

 

5. 가정들 혼합