2.19.1.11

一、特征池

    比如一张图片的多个人脸分类中，检测出图片中所有的人脸，并将人脸用vector保存各个人脸的坐标、大小（用矩形表示），这vector就叫特征池？

来自：https://blog.csdn.net/itismelzp/article/details/50379359

    这样经过特征读取这一步后，获得了一个特征池，池中每一个特征表示在图中某个矩形位置提取ID为0到35的某个特征量

来自：https://blog.csdn.net/ljp12345/article/details/52621298

最近，为了解决跟踪的模糊歧义问题，有人提出了多实例学习（MIL）。样本被放入包中且只提供包的标签。如果包中有一个正样本，那么就为正包；如果包中所有的样本都是负样本，那么就是负包。选择跟踪位置附近的样本放入正包中，选择远离跟踪位置的样本放入负包中。通过优化包的似然函数来设计分类器，为了处理外观的不断变化，通过最大化包的似然函数提出一个在线的MIL提升算法来顺序从特征池中选择有区分能力的特征。最后把所选择的弱分类器线性组合成一个强分类器，从而在下一帧把物体从背景中分离处理。实验表明它比先进的跟踪器能够更好地处理视觉漂移的问题[2]。 
尽管他们取得了成功，但是，MIL跟踪器[2]有以下的缺点。第一、所选择的特征携带较少的信息量。为了使分类器有足够的区分能力，就需要从特征池中选择大量的特征，这就给计算带来了不便。第二、选择的特征越多，这些特征之间的区别就越小，这也会降低分类器的性能，从而导致漂移。

来自：https://blog.csdn.net/xudong_98/article/details/51800265