u010545732的专栏

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

Meanshift tracking是由美国人D.Comaniciu等人于2001年在CVPR会议上提出，2003刊登于PAMI。虽然现在有人评论说，其研究热度及应用价值在减退，但是它的研究仍在继续。在中国，西电就有人有这方面的工作。就2001年的工作而言，在初始帧选定跟踪目标后，建立像素统计直方图，比如考虑50x60的灰度图像时，就是要将这3000个像素点分配到256个像素bins中去。在具

IVT基于PCA的思想，在获得以往跟踪结果所构成图像空间条件下，对图像空间进行PCA处理，获得均值和特征向量。跟踪过程由粒子滤波引导。为了实现对下一帧中目标得识别与跟踪，以当前帧跟踪结果为均值，预先设定的阈值为方差，抽取粒子作为跟踪候选目标，送入之前训练好的特征子空间中，计算候选目标与特征子空间中心之间的距离。则跟踪结果即为距离最短的候选点。继续下一帧跟踪，积累至5帧后，利用积累之结果对原有的子空

L1跟踪器是由Mei Xue和Lin Haibing老师于2009年提出来的。其最基本的工具就是由马毅等人2009年在 PAMI上发的文章Robust face recognition via sparse representation提出来的。整个跟踪过程同样是由Particle filter所引导的。在当前帧中，前一帧跟踪结果附近按照粒子滤波采样获得当前帧中候选目标。假设每一个候选目标均可由目

放寒假在家，学习效率与在学校相比，低了许多。倒是坐在车上，看文章效率蛮高。记得那天回家路上在车上看文章的几个小时，感觉挺好。一篇paper读了好几遍。国内视觉跟踪研究领域，牛人还是很多的。自从Xue Mei于2009年提出了L1跟踪器之后，国内很多人在此基础上做了许多的工作。我想其中最主要的工具当属字典学习算法了。字典学习的主要目的一是利用字典原子作为基函数表示候选目标，二是通过更新基函数以反

看Harr类特征时间比较久了，一直搞不清楚到底是怎么将其应用到tracking 中的，今天总算有点感觉。同时也意识到，必须对自己的体会做一个简单的整理。Harr类特征是由一个特征、阈值及标志不等号方向的数组成。其中特征不仅与矩形的尺度有关，还与矩形所处的位置有关。我觉得在训练分类器时，样本的大小必须是一样的。然后让同一个矩形在这些样本上面同时移动，找出最好的矩特征。但是，第一个矩特征肯定有分错的样

转载请声明出处。by watkins songPCA的一些基本资料最近因为最人脸表情识别，提取的gabor特征太多了，所以需要用PCA进行对提取的特征进行降维。本来最早的时候我没有打算对提取的gabor特征进行降维，但是如果一个图像时64*64,那么使用五个尺度八个方向的gabor滤波器进行滤波，这样提取的特征足足有64*64*5*8这么多，如果图像稍微大一点，

统计作图（Matlab）(2011-11-03 10:07:10)转载▼标签：分布函数多项式曲线样本默认值分类： Matlab经验累积分布函数图形函数 cdfplot格式 cdfplot(X) %作样本X（向量）的累积分布函数图形h = cdfplot(X) %h表示曲线的句柄[h,stat