@mastersthesis { Leineke2022, author = { Marc Leineke }, title = { Analyse aktueller Verfahren zur Langzeit-Objektverfolgung mit einmaliger Initialisierung }, month = { June }, year = { 2023 }, school = { Paderborn University }, type = { Master's thesis }, abstract = { Ein einflussreiches Verfahren zur Objektverfolgung ist das Tracking-Learning-Detection Verfahren (TLD) von Kalal et al. aus dem Jahr 2010, welches als Online-Langzeit-Tracker mit einmaliger Initialisierung charakterisiert werden kann. Durch die geschickte Kombination der drei Komponenten Tracker, Learner und Detector arbeitet dieses Verfahren {"a}u{\ss}erst zuverl{"a}ssig. Der Detector kann den Tracker reinitialisieren, falls der Tracker das Objekt verliert. Der Learner nutzt den sogenannten P-N Algorithmus, um eine ansichtenbasierte Objektrepr{"a}sentation in Form von Positiv- und Negativbeispielen zu erstellen und damit das Objektmodell des Detectors systematisch zu erweitern. Neuere Verfahren {"u}bertreffen jedoch das TLD-Verfahren, insbesondere bez{"u}glich der Genauigkeit der Verfolgung. In den letzten Jahren wurden au{\ss}erdem immer mehr Deep Learning-basierte Verfahren entwickelt. Durch eine gezielte Gegen{"u}berstellung und systematischer Tests verschiedener Verfahren soll im Rahmen dieser Arbeit untersucht werden, welche Eigenschaften und Kriterien ein Online-Verfahren zur Objektverfolgung besonders robust f{"u}r eine Langzeitverfolgung machen. Dazu werden TLD-{"a}hnliche Verfahren identifiziert und systematisch analysiert. } }