Online learning of robust object detectors during unstable tracking

文章主要介绍了一下TMD-tracing model detection的跟踪系统。

其中主要介绍的应该是Online learning的算法，或者是系统。个人感觉这个是Zdenek PN-learning算法的雏形。

这个online learning算法主要由两个部分组成。

1 Growing events 挑选正样本添加到训练集中。

2 Pruning events 修剪负样本，让模型更加鲁邦。

其实这篇文章中的所谓的模型，仅仅是一系列的目标检测窗。（有点类似于EigenFace的模型）。

作者是这么假设的：

我们假设有一个集合L*，L*表示所有目标可能存在的坐标地区，L*中间都是正确的目标（理性状况下）

而我们的检测模型这里假设为Lt，Lt仅仅是一个假设的模型，我们希望的是Lt可以无限的接近于L*。

那么Growing events就是不停的想Lt中加入目标的证样本。

而Pruning events就是不段的把Lt中的负样本挑出来。

最终的目标是让Lt=L*。

这个就是TMD训练原理了。那么如何增加和修剪正负样本呢？

Growing events遵从三个原理去增加正样本：

1 ABS（absolute distance from first patch）其实就是让检查到可能的样本与Lt中的第一个，也就是初始目标特征比较距离。

2 DIFF（difference between consecutive patches） 这个就是可能的目标与最新的一个Xt-1的特征去比较距离。

3 LOOP 一个循环的过程，最终的意思是把与Lt相差很大的但却是正样本的目标添加进Lt中，增加模型的鲁棒性。

Pruning events意思是修剪Lt中的负样本，就是说先前判断为了正样本，而随着Lt的鲁棒性增加，现在判断为了负样本，这个时候我们剔除这些负样本。

其实在实施的时候，作者规定了一个负样本的比例，只要超出这个比例的，我们都当做负样本，剔除。

其他实施细节：

跟踪：采用的是光流的方法。选择特征点去跟踪。

Online model：类似于Eigenface的一种方法。

Features：2bit Biary Patterns，一种类似LBP和Haar的特征。

参考资料：

http://info.ee.surrey.ac.uk/Personal/Z.Kalal/tld.html

原文地址：

http://info.ee.surrey.ac.uk/Personal/Z.Kalal/Publications/2009_olcv.pdf