在城市軌道交通的監控中，智能視頻分析技術曾風極一時，然而由於(yu) 城市軌道交通的監控環境比較複雜，其不僅(jin) 區域大、周界長、擁有多站台多出入及眾(zhong) 多圍欄等相關(guan) 設備。這種複雜的環境給智能分析帶來諸多困難，而作為(wei) 當前新穎的TLD［跟蹤-學習(xi) -檢測”（Tracking-Learning-Detection）的縮寫(xie) ］視覺跟蹤技術能夠解決(jue) 這些問題。

　　TLD跟蹤係統最大的特點就在於(yu) 能對鎖定的目標進行不斷的學習(xi) ，以獲取目標最新的外觀特征，從(cong) 而及時完善跟蹤，以達到最佳的狀態。也就是說，開始時隻提供一幀靜止的目標圖像，但隨著目標的不斷運動，係統能持續不斷地進行探測，獲知目標在角度、距離、景深等方麵的改變，並實時識別，經過一段時間的學習(xi) 之後，目標就再也無法躲過。

　　TLD技術有三部分組成，即跟蹤器、學習(xi) 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，跟蹤器和檢測器並行運行，二者所產(chan) 生的結果都參與(yu) 學習(xi) 過程，學習(xi) 後的模型又反作用於(yu) 跟蹤器和檢測器，對其進行實時更新，從(cong) 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(ge) 矩形框標出。最終整體(ti) 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(jue) 局部遮擋的問題。

　　學習(xi) 過程

　　TLD的學習(xi) 過程是建立在在線模型（online model）的基礎上。在線模型是一個(ge) 大小為(wei) 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(wei) 起始跟蹤時指定的待跟蹤的目標圖像。

　　在線模型是一個(ge) 動態模型，它隨視頻序列增長或減小。在線模型的發展有兩(liang) 個(ge) 事件來驅動，分別為(wei) 增長事件和修剪事件。由於(yu) 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(chan) 生的目標圖像會(hui) 包含更多其它感興(xing) 趣的因素。如果我們(men) 把跟蹤軌跡上所有目標圖像看成一個(ge) 特征空間，那麽(me) 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(wei) 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(yu) 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(liang) 事件的相互作用促使在線模型一直保持與(yu) 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於(yu) 跟蹤器，即從(cong) 處於(yu) 跟蹤軌跡上的目標圖像中選擇合適的樣本，並以此來更新在線模型。有三種選擇策略，具體(ti) 如下。

　　與(yu) 起始待跟蹤目標圖像相似的圖像塊，均被加入到在線模型；

　　如果當前幀的跟蹤目標圖像與(yu) 前一幀的相似，則將當前的跟蹤結果圖像加入到在線模型；

　　TLD智能檢測技術分析

　　計算跟蹤軌跡上的目標圖像到在線模型間的距離，選擇具有特定模式的目標圖像，即起初目標圖像與(yu) 在線模型的距離較小，隨之距離逐漸增大，而後距離又恢複成較小狀態。循環檢驗是否存在這種模式，並將該模式內(nei) 的目標圖像加入到在線模型。

　　增長事件的特征選擇方式，保證了在線模型始終緊隨跟蹤目標的最新狀態，避免因模型更新不實時所導致的跟蹤丟(diu) 失。其中最後一種選擇策略也是TLD技術的特色之一，它體(ti) 現了自適應跟蹤的特性。當跟蹤發生漂移時，跟蹤器會(hui) 自動適應背景，而不會(hui) 很突然地轉移到跟蹤目標上。

　　修剪事件假設每幀隻有一個(ge) 目標，當跟蹤器和檢測器都認可目標位置時，剩餘(yu) 的檢測圖像就被認為(wei) 是錯誤樣本，從(cong) 在線模型中刪除。

在線模型中的樣本為(wei) TLD的學習(xi) 過程提供了素材。另外，TLD在訓練生成分類器（隨機森林）的過程中，采用了兩(liang) 種約束：P約束和N約束。P約束規定與(yu) 跟蹤軌跡上的目標圖像距離近的圖像塊為(wei) 正樣本；反之，為(wei) 負樣本，即為(wei) N約束。PN約束降低了分類器的錯誤率，在一定的範圍內(nei) ，其錯誤率趨近於(yu) 零。

　　檢測器

　　TLD技術設計了一個(ge) 快速、可靠的檢測器，它為(wei) 跟蹤器提供了必要的支持。當跟蹤器所得的結果失效時，需要用檢測器的結果來補充糾正，並且對跟蹤器重新初始化。具體(ti) 做法如下。

　　對於(yu) 每幀同時運行跟蹤器、檢測器，跟蹤器預測出一個(ge) 目標位置信息，而檢測器則可能檢出多幅圖像；

　　決(jue) 定目標的最終位置時，優(you) 先考慮跟蹤器所得的結果，即如果跟蹤到的圖像與(yu) 最初的目標圖像相似度大於(yu) 某閾值，就接受該跟蹤結果；否則，將從(cong) 檢測器的結果中，選用與(yu) 最初目標相似度最大的圖像作為(wei) 跟蹤結果；

　　如果為(wei) 第二步驟中的後者，那麽(me) 此時更新跟蹤器的最初目標模型，用現選用的跟蹤結果替換原有的目標模型，同時，刪除以前模型中的樣本，以新樣本重新開始。

　　檢測器是由在線模型中的樣本經訓練學習(xi) 生成的隨機森林分類器。其選取的特征為(wei) 區域的邊緣方向，稱之為(wei) 2bitBP特征，它具有不受光線幹擾的特性。特征通過量化，共有4種可能的編碼。對於(yu) 給定的區域，其特征編碼是唯一的。多尺度的特征計算可以采用積分圖像的方法。

　　將每一個(ge) 圖形塊都用眾(zhong) 多的2bitBP特征來表示，並把這些特征分成同大小的不同的組，每一組代表了圖像塊外觀的不同表示。用於(yu) 檢測的分類器采用隨機森林的形式。隨機森林由樹組成，而每棵樹是由一個(ge) 特征組構造而成。樹的每個(ge) 特征都作為(wei) 一個(ge) 決(jue) 策結點。

　　隨機森林通過增長事件和修剪事件完成在線更新和演化。開始時，每棵樹由最初目標模板的特征組構建，都隻有一個(ge) “枝”。隨著增長事件對正樣本的選取，隨機森林也不斷加入新的“枝”；修剪事件則相反，它會(hui) 去掉隨機森林中不用的“枝”。這種實時的檢測器采用掃描窗口的策略：按照位置和尺度掃描輸入幀，對每個(ge) 子窗口應用分類器判斷是否屬於(yu) 目標圖像。

　　TLD技術巧妙地把跟蹤器、檢測器和學習(xi) 過程結合在一起，共同實現目標的跟蹤。