DLT(deep learning tracker)解析

   视觉跟踪方法：dlt(deep learning tracker)着实火了一把，它应该可以代表2013跟踪领域的state-of-art。最近对其进行了仔细的研究，现按照框架、核心思想、展望进行“深度解析”。

    框架

    整个算法还是在主流的PF（particle filter）概率框架下进行。PF要做的是：在一帧图像中选出多个候选区，然后通过各种方法对候选区进行确认（measure）。简要总结下：PF包括三个部分：drift--diffuse--measure  其目标是从视频帧中选出概率最大的跟踪框以完成跟踪。为达到目标我们用“粒子”对相邻两帧间的仿射参数进行建模，找权重最大的粒子。用权重最大的粒子+上一帧已知的跟踪结果=完成当前帧跟踪。

    drift和diffuse分别完成对粒子的随机扰动和扩散过程，使得粒子尽可能分布在实际发生的仿射变换（实际粒子）处。最终判断哪些粒子接近实际粒子的过程由measure完成，一般都会先得到每个粒子对应的跟踪框，然后进行measure过程。不同的跟踪算法也是在measure部分有所区别，比如：IVT (Incremental visual tracking)利用增量PCA online更新模板，与每个粒子跟踪框进行相似度比较，相似度最高的跟