Struck SVM随记----模型

    传统跟踪算法(下图右手边)将跟踪问题转化为一个分类问题，并通过在线学习技术更新目标模型。然而，为了达到更新的目的，通常需要将一些预估计的目标位置作为已知类别的训练样本，这些分类样本并不一定与实际目标一致，因此难以实现最佳的分类效果。
        而Struck算法(下图左手边)主要提出一种基于结构输出预测的自适应视觉目标跟踪的框架，通过明确引入输出空间满足跟踪功能，能够避免中间分类环节，直接输出跟踪结果。同时，为了保证实时性，该算法还引入了阈值机制，防止跟踪过程中支持向量的过增长。   
   

    这段话摘自qianxin_dh的博客，也是struck这篇文中关于struck优势概述的翻译。

    以前第一次看这篇论文的时候，这个地方没有看懂，原因是不知道传统做法是怎么做的，后来明白，有的跟踪算法是从图像中选出一些图像块依据某些规则选出正样本和负样本（当做已知它们的类别），从而训练分类器，然后根据分类器，对新帧中的图像块进行分类判断。但这里面存在一个问题：正样本和负样本就是根据规则选出的，规则肯定会和事实有差距，这样的话，输送给分类器的样本都有可能存在错误，训练出来的模型肯定也会存在错误，而且，这种错误的根源就是正负样本的选取。
    但struck就不同了，它没有“心有成竹”地去从图像里选正负样本，只是根据它的规则，提取出来一些图像块放进模型中。至于这些图像块你们的投票权的大小，就要根据事实情况随时变动了。所以，没有一成不变的正负大小，也没有一成不变的说话权大小。所有进入模型的样本都不能有“优越感”，因为每个样本的地位可能会因为事实有所改变。当你再没有利用价值的时候，还会被踢出去。正应了那句话，万物没有定数。图像块的得分直接决定是不是前景目标。