基于Multiple instance learning的visual tracking

MIL 跟踪器在视觉跟踪领域很有名气。这种算法最早出现在2009'CVPR，后来加以整理发表在2011'PAMI.说老实话，我很喜欢阅读会议论文，读起来感觉文风轻松明快，不像期刊论文，对所在领域不是很熟悉的话，读起来相当吃力。这是题外话。现在言归正传。

说起来，每种跟踪器的基本思路都是大同小异。都是在当前帧中前一帧跟踪结果周围采集候选目标，根据之前所学习得到的生成模型和判别模型，对候选目标进行得分评判，得分最高的候选点即为跟踪结果。各种跟踪器的重要区别在于，如何建立生成模型或判别模型。

MIL 跟踪器首先提取每个候选目标的Harr-like特征。在已知样本类别的条件下，假设每个特征独立同分布于高斯分布。 利用朴素贝叶斯分类器求解样本属于目标类的概率。在求解过程中分布的参数即均值和方差至关重要。可以说，是分类的最重要的参数。随着跟踪过程的进行，要不断地利用正负样本去实时更新高斯分布的均值和方差参数。获得目标类的概率后，选出得分最高的候选点作为跟踪结果。