目标跟踪的块跟踪技术(2)

OpenCV 终于由2.x升级到3.0.0了，尽管只是一个alpha版，但是带来了大量的新特性。

在目标跟踪方面，一批比较新的技术被整合进来。

OpenCV 2.x在整合新的特征描述方法、物体识别算法、gpu运算等方面可以说是相当卖力，但是对于目标跟踪，却还是停留在光流法和camshift这种十年甚至数十年前的方法上。

这次3.0终于把OAB、MIL和TLD等方法整合进来了。

OAB是发表在2006年的论文On-line Boosting and Vision的方法，其主要思想是用AdaBoost的学习方法建立一个目标分类器，用之前的跟踪结果作为训练集，每一帧都在线更新分类器，并预测下一帧中目标的位置。这是首次运用AdaBoost的方法解决目标跟踪问题的尝试。

该方法的核心是Online Boosting。Offline AdaBoost中需要根据当前分类器的分类正误情况，计算每个样本的采样权重，并用于下一轮选择弱分类器时的迭代。Online Boosting用了一个三层结构，第一层是弱分类器，第二层是由不同若分类器组合成的分类器，第三层才是最终分类器。弱分类器仍然是对当前样本的二值判断；在第二层分类器中累计之前所有样本的正确率，隐含了之前样本的效果；最终分类器根据第二层分类器的正确率进行AdaBoost。

其中第二层颇为古怪，论文似乎也没说明原因。猜想这固然有可能提高单个分类器正确率，但所有二层分类器共享相同的弱分类器似乎又缺乏明确的道理，纯粹是提高处理速度。

MIL是发表在2009年的PAMI上的论文Robust Object Tracking with Online Multiple Instance Learning的方法，它是OAB的改进版。改进之处主要是每帧增加了很多采样，不像OAB是一正四负。其实OAB也想多采样的，结果效果不太好。原因是对目标稍微偏一些的采样是否可以作为正例，OAB作者就这一问题还发了另一篇关于半监督学习的论文。MIL引入了多示例学习的方法，算是部分解决了这个问题，但是这一来boost的能量函数公式也变得相当复杂了，以致于不容易直接求解得到boost算法。所以MIL也做了一个大幅度的简化，弱分类器输出的是一个连续值而非离散值，整个MIL的boost过程不改变每个采样的权重，也不求每个弱分类器的权重alpha，alpha是由弱分类器自己的分类效果决定的。因为没有遵守boost的规定，实际上它不具备boost的理论正确性。

TLD大名鼎鼎，就不多介绍了