Tracking-Learning-Detection TLD解析三 - Learning学习(跟踪与检测的协调与更新)

        在上一篇跟踪器与检测器（tracker and detector）中，我们已经详细介绍了TLD中跟踪器与检测器的设计方案，而在具体运行过程中需要对二者进行调和，所谓调和主要指两方面：

1.对二者输出的结果综合考虑，选择最有可能的作为最终的输出。

2.当目标跟踪中断再度出现时重新启动跟踪器；运行过程中对检测器进行更新，以适应目标运行过程中形变差异。

        TLD中的Learning阶段主要思想已均在CVPR2010年的文章P-N Learning: Bootstrapping Binary Classifiers by Structural Constraints中提出。

        TLD中的主体学习方法也是在其上稍作改进而得出。在本篇文章中，笔者将介绍学习阶段的任务及论文中涉及的目标模型（Object Model）与综合子（Integrator）。

本人博客地址：http://blog.csdn.net/outstandinger/article/details/9023151 转载请注明。

一，P-N Learning学习阶段

1.P-N Learning 综述

        正如在TLD前言中所说，在TMD中Modeling即相当于后来提出的P-N Learning方式。P-N Learning 包含两个expert, 即 P-expert 与 N-expert.

        据paper说明，前者作用在于识别missed detections(false negatives)，也即寻找正样本；而N-expert 则用于识别false alarms(false positives)，也即用于寻找负样本。

        P-N学习的关键点在于利用两种 “expert” 可以对检测子进行修正，两种  “expert” 也可能会出错，但是经CVPR2010的文中证明，只要错误率低于0.5，检测器的性能由于两个  “expert” 相互独立的互补作用，性能将会得到改善。

        具体实现框图如下，

        

       学习的结果即在于利用一个相对较小的标注集和，作为训练集训练初始分类器，对未标记集进行初始分类，然后经P-N expert