标签：
Tracking-by-detection的思想用discriminative外观模型来在线训练和更新分类器，对于采样的样本在分类器上获得的最大值标定为新目标。压缩跟踪（CT）是压缩域中的一种特征提取方法，然而其缺点是：1 使用固定的跟踪框来检测样本 2 采样半径固定，当运动机动性较大，采样不准确 3 学习因子固定
多尺度压缩跟踪讲CT与粒子滤波（PF；自举粒子滤波--bootstrap filter）结合。粒子滤波在非高斯、非线性贝叶斯模型的应用上较为突出，基于PF的跟踪通常使用轮廓（contours）和颜色（color ，其对光照变化或者相似颜色较为敏感）作为观察模型（observation model），如文献[1-4]，存在的共性问题是计算量大。根据表观模型，可以将跟踪算法分为基于生成式的（generative）和判决式的（discriminative），其具体介绍可在CT论文中看到。参考visual tracker benchmark和FCT，生成式的算法有Frag、IVT、（SCM、L1T和ASLA，字典学习）等，判决式的方法有MIL（多实例学习，亦可结合PF）、Struck（评分高）、（CT和FCT，程序简洁）等。
稀疏表示和压缩传感在跟踪中的应用主要是将目标表示为目标模板的稀疏线性和。基于L1范数最小原理，目标可以用较少的模板来近似[5]，但其较耗时。而压缩跟踪实时性较好。
MSCT：
粒子滤波框架，即包含预测与更新两个步骤，且过程允许非高斯线性。
xk-x,y,s表示k时刻粒子状态（位置及尺度），由预测模型可有xk-1求得xk
当获得观察值zk，更新公式为
其中，
即为归一化值。
由粒子滤波理论有预测后的粒子x*k可以利用粒子特征与正负样本的距离计算其权重
粒子的初始状态是手动输入的，进一步其预测方程为（二阶自回归模型）
其中，i表示第i个粒子。
权重函数为
其中，H是分类器的响应，当粒子特征与正样本特征的距离越近、与负样本特征距离越远的时候，响应越大，即该粒子越可能为正样本，并给予较大权值。其表示为
式中的概率p是高斯模型，利用均值和方差参数可以估计出每一粒子特征的分别属于正负样本的概率。
对于学习因子的理解不深，不作说明。
感悟（待续）
标签：
原文地址：http://www.cnblogs.com/jsdtqk/p/4778120.html
