在城市轨道交通的监控中，智能视频分析技术曾风近于一时间，然而由于城市轨道交通的监控环境比较复杂，其不仅区域大、周界宽、享有多站台多进出及众多围栏等涉及设备。这种简单的环境给智能分析带给诸多困难，而作为当前精致的TLD［追踪-自学-检测（Tracking-Learning-Detection）的简写］视觉追踪技术需要解决问题这些问题。

　　TLD追踪系统仅次于的特点就在于能对瞄准的目标展开大大的自学，以提供目标近期的外观特征，从而及时完备追踪，以达到最佳的状态。也就是说，开始时只获取一帧惯性的目标图像，但随着目标的大大运动，系统能持续大大地展开观测，得知目标在角度、距离、景深等方面的转变，并动态辨识，经过一段时间的自学之后，目标就很久无法逃过。　　TLD技术有三部分构成，即跟踪器、自学过程和检测器。

TLD技术使用追踪和检测结合的策略，是一种自适应的、可信的追踪技术。TLD技术中，跟踪器和检测器分段运营，二者所产生的结果都参予自学过程，自学后的模型又反作用于跟踪器和检测器，对其展开动态改版，从而确保了即使在目标外观发生变化的情况下，也需要被持续追踪。

　　跟踪器　　TLD跟踪器使用重合块追踪策略，单块追踪用于Lucas-Kanade光流法。TLD在追踪前必须登录待追踪的目标，由一个矩形框标示。

最后整体目标的运动所取所有局部块移动的中值，这种局部追踪策略可以解决问题局部遮盖的问题。　　自学过程　　TLD的自学过程是创建在在线模型（onlinemodel）的基础上。在线模型是一个大小为1515的图像块的子集，这些图像块来自跟踪器和检查器扣除的结果，初始的在线模型为接续追踪时登录的待追踪的目标图像。　　在线模型是一个动态模型，它随视频序列快速增长或增大。

在线模型的发展有两个事件来驱动，分别为快速增长事件和遮荫事件。由于在实际中，来自环境和目标本身等多因素的影响，使目标的外观大大发生变化，这使得由跟踪器预测产生的目标图像不会包括更加多其它感兴趣的因素。

如果我们把追踪轨迹上所有目标图像看作一个特征空间，那么随着视频序列的前进，由跟踪器所致的特征空间将大大减小，这就是所说的快速增长事件。为了避免快速增长事件带给的杂质（其他非目标图像）影响追踪效果，使用了与之比较的遮荫事件来均衡。遮荫事件就是用来除去快速增长事件所致的杂质。

由此，两事件的相互作用促成在线模型仍然维持与当前的跟踪目标相符。　　由快速增长事件带给的特征空间的扩展来自于跟踪器，即从正处于追踪轨迹上的目标图像中自由选择适合的样本，并以此来改版在线模型。有三种自由选择策略，明确如下。

　　与接续待跟踪目标图像相近的图像块，皆被重新加入到在线模型；　　如果当前帧的跟踪目标图像与前一帧的相近，则将当前的追踪结果图像重新加入到在线模型；　　TLD智能检测技术分析　　计算出来追踪轨迹上的目标图像到在线模型间的距离，自由选择具备特定模式的目标图像，即最初目标图像与在线模型的距离较小，随之距离渐渐减小，而后距离又完全恢复成较小状态。循环检验否不存在这种模式，并将该模式内的目标图像重新加入到在线模型。　　快速增长事件的特征选择方式，确保了在线模型一直紧跟跟踪目标的近期状态，防止因模型改版不动态所造成的追踪遗失。其中最后一种自由选择策略也是TLD技术的特色之一，它反映了自适应追踪的特性。

当追踪再次发生飘移时，跟踪器不会自动适应环境背景，而会很忽然地移往到跟踪目标上。　　遮荫事件假设每帧只有一个目标，当跟踪器和检测器都接纳目标方位时，剩下的检测图像就被指出是错误样本，从在线模型中移除。

本文来源：bsport官网入口-www.daicebao.com