【单目标跟踪】Compressive Tracking via Color Attributes and Fisher Feature Selection 阅读笔记

1.目标跟踪的挑战：
运动快、姿态变化、背景杂波、重或局部遮挡和光照变化等因素

2.提出：
提出了一种粒子滤波框架下的压缩跟踪算法。

2.1 首先, 引入颜色属性来描述图像序列中的每个图像。为了降低计算复杂度, 采用主成分分析算法来减小颜色属性的维数。

2.2 其次, 利用压缩传感理论中的非常稀疏的随机矩阵从高维多维图像特征中提取低维图像特征, 建立一个外观模型。但由于提取出的低维度有用信息有限导致分类器性能不好，则使用优化费舍尔信息矩阵，建立一种在线提升特征选择机制（用于度量跟踪算法中分类模型的不确定性）

2.3 为了解决目标尺度变化问题，使用仿射变换的六个参数（伸缩、位移、变形等）来描述目标状态

3.介绍

目前目标跟踪领域，先进算法很少用到了目标的颜色属性（即使用到，也仅仅是仅限于简单的色彩空间变换）；都是在目标的纹理信息和密度信息上下功夫。研究者不太采用颜色属性的原因为颜色的测量容易收到照明和阴影的影响。近年来的CN算法能够找到找到环境光照下和良好追踪效果的平衡性。

同时外观模型也能作为处理目标跟踪的重要成分。通过从高维空间提取有效信息能够构建较好的外观模型；而另一种将高维空间信息直接压缩到低维度空间既能够加快效率，同时低维度空间仍能够保存较多的原始信息。但通过压缩的外观模型对目标的判别能力较弱。

4.主要步骤

1）将图像从RGB颜色空间因施工和到颜色属性空间；同时将该图像另外转换为一张灰度图
2）通过对颜色属性空间进行降维处理，加快计算效率；将降维过后的颜色属性图与灰度图进行结合。再使用粒子滤波对处理后的图像进行预测
3）但这样预测出来的目标位置没有自动的尺度变化啊，所以作者为了解决目标的尺度变化问题，提出来使用仿射变换的六个参数（平移、形变、缩放等）；即使用粒子滤波预测六个目标状态。
4）根据之前提到的压缩传感理论，从图像特征空间中提取出低维度特征。但这样得到的压缩过后的特征信息较少的判断力，所以在MIL和主动学习算法的启发下，提出在线提升特征选择方法，使用优化费舍尔信息来优化。来达到更强的分类效果。

5.技术工具
5.1 粒子滤波
一个简单的理解就是，粒子滤波来进行目标跟踪分为四个状态。分别是初始化阶段、区域搜索阶段、重要性采样、状态转移

1）初始化阶段：则为标定目标的初使位置，对该目标提取相关特征；
2）区域搜索阶段：得到目标特征之后，即在目标区域周围进行撒点，（可均匀撒点/按高斯分布撒点）。每个粒子都计算出所在区域的颜色直方图，然后对相似度进行归一化（采样巴氏距离等方法）；
3）重要性重采样：根据获得的粒子相似度重新撒点，按照相似度高的例子周围多撒，低的少撒（据相似度来判别重要性）。进行重采样。可多次采样；
4）状态转移：根据上一阶段多次重采样的粒子来计算下一刻的位置
5)  观测： 计算粒子与目标的距离；更新每个粒子的权值
6）决策阶段：每个粒子都能够获得一个和目标的相似度，这个相似度体现了该区域是目标的置信度，可以把所有粒子使用相似度加权后的结果作为目标可能的位置。

6.总结：
前面重复了几遍了，就那几种方法。