Sam Hare. Struck: Structured Output Tracking with Kernels.翻译（暂时部分）

带内核的结构化输出跟踪ICVV2011
摘要
自适应跟踪检测方法在计算机视觉中被广泛应用于跟踪任意物体。目前的方法把跟踪问题作为一个分类任务和使用在线学习技术来更新目标模型。然而，对于这些更新，需要将估计的对象位置转换为一组标记的训练示例，并且还不清楚如何最好地执行此中间步骤。此外，目标的分类（标签预测）没有显式耦合到目标跟踪器（物体位置的精确估计）。本文提出了一种基于结构输出预测的自适应视觉目标跟踪框架。通过明确允许输出空间表达跟踪需要，我们能够避免需要一步到位的分类步骤。方法利用核结构输出的支持向量机（SVM），它是通过在线学习提供自适应跟踪的。为了允许实时应用，我们引入预算机制，防止在跟踪过程中出现的支持向量数量的无限增长。实验上，我们证明我们的算法能够胜过各种基准视频的最先进的跟踪器。此外，我们还表明，我们可以很容易地将额外的特性和内核合并到我们的框架中，从而提高性能。

1. 简介
视觉对象跟踪是计算机视觉的核心问题之一，其广泛应用包括人机交互、监视和增强现实等。对于计算机视觉的其他领域，目标是执行更高级别的任务，如场景理解和动作识别，对象跟踪提供了必不可少的组件。
对于某些应用程序，预先要跟踪的对象是已知的，并且在设计跟踪器时有可能包含先验知识。但是其他情况下，它的理想是能够跟踪任意对象，可以在运行时指定。在这些情况下，服务器必须能够模型对象的外观，在跟踪过程中把模型运用到需要考虑的变化下，如照明条件，物体运动，闭塞。即使现有的关于对象的信息是已知的，有一个灵活性适应外观变化，将新的信息在跟踪过程中糅合的框架是有吸引力的，而在现实世界中的场景往