Mark 一下 detector ------之 Random Fern Classifier

    与之前的几个tracker（19-The ALIEN tracker applied to faces  22-Self-paced learning forlong-term tracking  12--Occlusion and motionreasoning for long-term tracking这些在每一帧上作检测）不同，当尺度最大得分Ys<Tr时，我们用Tr激活检测模块，为了节省计算资源，我们不用Rt作为detector，instead，我们用在线随机阙分类器[借鉴自Z. Kalal, K. Mikolajczyk, and J. Matas. Tracking-learningdetection.也就是TLD]。当尺度最大得分Ys<Tr时，detector在整帧上面用滑动窗作检测。我们用一个保守的更新计划train一个在线随机阙检测器。设置C0或C1作分类标签指示器，被归类成小的蕨类的部分的f1,f2,f3,f4,f5,······，fN作二值特征。每个蕨类植物的特征的联合分布是

     

       , 

      Fk代表第K个阙，是是1~N的随机序列。对于每一个Fk，

      它的条件概率可以写成 ，其中  是属于第K个fern的  C1或C0类  的训练样本数，Nk是与第K个fern对应的叶节点中的训练样本总数。从贝叶斯的角度看，最佳类C1或C0，可以通过解如下方程获得：