基于Multiple instance learning的visual tracking

MIL 跟蹤器在視覺跟蹤領域很有名氣。這種算法最早出現在2009'CVPR，後來加以整理發表在2011'PAMI.說老實話，我很喜歡閱讀會議論文，讀起來感覺文風輕松明快，不像期刊論文，對所在領域不是很熟悉的話，讀起來相當吃力。這是題外話。現在言歸正傳。

說起來，每種跟蹤器的基本思路都是大同小異。都是在目前幀中前一幀跟蹤結果周圍采集候選目标，根據之前所學習得到的生成模型和判别模型，對候選目标進行得分評判，得分最高的候選點即為跟蹤結果。各種跟蹤器的重要差別在于，如何建立生成模型或判别模型。

MIL 跟蹤器首先提取每個候選目标的Harr-like特征。在已知樣本類别的條件下，假設每個特征獨立同分布于高斯分布。 利用樸素貝葉斯分類器求解樣本屬于目标類的機率。在求解過程中分布的參數即均值和方差至關重要。可以說，是分類的最重要的參數。随着跟蹤過程的進行，要不斷地利用正負樣本去實時更新高斯分布的均值和方差參數。獲得目标類的機率後，選出得分最高的候選點作為跟蹤結果。