再谈PN学习

       之前翻译过一篇PN学习的文章：http://blog.csdn.net/carson2005/article/details/7483027，但该文章的内容还是略显生涩，不太容易理解。尤其是在TLD跟踪算法中，PN学习又是一个很重要的模块。如果不能很好理解该部分，是很难完全掌握TLD算法精髓的。所以，这里我在上次翻译的基础上，结合TLD算法中的PN学习的具体应用，再次讲述PN学习的原理。

PN学习即PN learning, P指代Positive Constraint,也称之为P-expert或者growing event,N指代Negative Constraint,也称之为N-expert或者pruning event。

P-expert的作用是发现目标的新的外观（形变），并以此来增加正样本的数量，从而使得检测模块更具鲁棒性；

N-expert的作用是生成负的训练样本。N-expert的前提假设是，（被跟踪的）前景目标仅可能出现在视频帧中的一个位置，因此，如果前景目标的位置是确定的，那么其周围必然是负样例。

       TLD模块中的PN学习作用是通过对视频序列的在线处理来逐步改善