TLD算法中的Learning部分解读

 跟踪算法大致可分为三大部分：1 外表模型，appearance model 用来对跟踪物体的外表进行建模；2 运动模型，用来对物体的运动轨迹预测建模，比如卡尔曼滤波和粒子滤波；3 搜索机制，用来找ground truth的位置及被跟踪物体的位置。这里说的learning部分 其实就是运动模型，所谓的P-N learning ，就是根据物体运行的方向速度建立一个tracker 预测下一帧里物体的位置，这里只是一个大致的范围，然后在这个范围里用detector 来找到最有可能的物体的位置。这种学习策略说 起来时为了造成一个error compensation.就是tracker可能是错误的，因为物体的运动是不规律的，所以不是很准确。而 detector一般是更准的，但是它更费时，所以在tracker预测的局部检测降低时间花费，这两个部分相互补偿彼此的不足，说到这里是不是觉得P-N learning 也不过如此。

以上只是我的看法欢迎纠正。