总结一下目标检测与跟踪

   今天开始更，也不知道有没有人会看，学习要抱着一种师夷长技以自强的心态，本人不是崇洋媚外，只是目标cv这方面也确实国外比我们领先很多。呵呵，这个总结是我论文里的，仅供大家学习哦。

      视频序列中目标的准确检测与跟踪是一个颇具有挑战性的任务，其中制约跟踪效果的最大因素莫过于目标的外表变化，主要包括姿势变化和形变等内因变化，也有光照、移位、相机视角及遮挡等外因变化。而我们所要做的就是构造模型，准确的把目标与背景分离是。这里的模型主要指目标模型，模型的构造可以用目标的运动信息，比如kalman跟踪、颜色信息、比如meanshift啊，hog等，还有纹理信息，哦，还有光流信息，你可以选择其中一种，也可以选择对它进行组合取长补短，关键是你建立的这个模型要够强，够全面，同时要考虑这个建模的实时性。基本上，目标检测的过程从数学角度看就是一个建模的过程。这时你会想到我们国内用的比较多的背景差分法，这个也是对目标的背景进行建模，然后相减得到目标物，所以也可以对背景进行建模，这个很容易理解，描述一个物体，不一定要从它本身出发，也可以从它周围的环境进行描述，有一种跟踪算法叫context tracker，这个context是上下文，环境的意思，很明显这种算法就是利用目标和目标的背景信息来描述的。所以本人觉得，一种比较简单的创新点就是可以寻找一个目标新的表述信息。

       说一下分类器在目标检测方面的应用，首先说一下分类器的非官方的概念。对于目标检测，分类器所要做的事就是区分出那个是目标那个是背景。从本质上说，分类器也是用来建立模型的，建立判别模型。判别模型的建立涉及到训练，训练的过程就是可以说通过训练建立一个分类函数，就像是教小孩认知，给他看不同大小形状的苹果和香蕉，告诉他这那个是香蕉那个是苹果，训练他有判别力的时候，拿出一个苹果或香蕉，让他自己辨认这是什么。所以用分类器建立模型，不知道恰当不，实践出真知，从试验中得到模型。

 不管是那种模型，我们所要做的就是把人眼可视化具体的目标， 转成机器可以理解的目标--数据机器，这些特征数据在机器看来就是语言，比如说，001表示特征颜色红色。002表示蓝色。

 

      所以 跟踪器是否能够成功跟踪取决于能够成功将目标从它周围环境中分割出来。可以把跟踪的问题转换成二分类问题，只要找到合适的特征就可以实现高效准确的ng-term的跟踪。