ikerpeng

文章：A robust boosting tracker with minimum error bound in a Co-training framework

看来人机交互不是我想象的那么简单的，还是要花很多的功夫来打基础的。于是再来学习Tracking相关的一些文章算法。在认真的学习了压缩跟踪（CT）以后，确实觉得自己对Tracking有了比较好的了解。但是看了在测试集上面的效果，被欺骗了原来CT的效果在真实的摄像头上面是很差劲的。唯一的优点就是快。因此，还得回来学习一些其他的精度比较高的方法！这里选择了Struck。是大牛学长

论文阅读原创，转载标明出处：回顾：上一节我们说到了，作者通过自己定义的X-Y Finger和 Z-Finger来进行手指的检测，然后来初始化Hand Pose。其实勒，手指经常都会死斜着的。也就是说不会是标准的X-Y Finger和或者Z-Finger。那作者是如何的处理的勒？手指的检测：对于手指的检测，先进行X-Y Finger的检测。然后分割出去；再进行Z-Finger

手势跟踪ＣＶＰＲ2014论文学习

我们先来看一下整个的头文件的构成：其中：config.h ：   配置头文件，里面定义了一个类：class Config。主要定义的是特征的类型，核函数的类型等等。Features.h：定义了一个Class Features 。里面定义了int 型的m_featureCount//特征计数Eigen::VectorXd m_featVec 存储特征的向量。其中使用了in

本来想看完代码再详细的写的。但是有人问了就先贴出来吧！代码调试中会遇到的一些的问题。首先，你没有代码的话可以在这里下载：http://download.youkuaiyun.com/detail/u012192662/8042147然后需要安装opencv（我想如果你是做这个应该有的）；Eigen;http://download.youkuaiyun.com/detail/u012192662/80421

这篇文章很赞啊！很有必要将其好好的学习，今天首先记录

我是做Tracking 的，对于速度要求很高。发现傅里叶变换可以使用。于是学习之！核心： 最根本的一点就是将时域内的信号转移到频域里面。这样时域里的卷积可以转换为频域内的乘积！      在分析图像信号的频率特性时，对于一幅图像，直流分量表示预想的平均灰度，低频分量代表了大面积背景区域和缓慢变化部分，高频部分代表了它的边缘，细节，跳跃部分以及颗粒噪声.  因此，我们可以做相应的锐化和模糊的

代码关键点记录：成功不远了！O(∩_∩)O 哈哈~1. Input : load_video_info.m 读入视频文件groundtruth_rect.txt（里面是4个一组的点，x,y, width ,height ?），得到有用的参数：target_sz = [ground_truth(1,4), ground_truth(1,3)];  得到的是目标的尺寸（这里好像

在机器学习或者是模式识别当中有一种重要的分类器叫做：SVM 。这个被广泛的应用于各个领域。但是其计算的复杂度以及训练的速度是制约其在实时的计算机应用的主要原因。因此也很很多的算法被提出来，如SMO，Kernel的方法。但是这里要提到的 Regularized least-squares classification 是一个和他有着同样的效果的分类器。比较而言计算却比较的简单（We

Fisher vector本质上是用似然函数的梯度vector来表达一幅图像

论文细节手势识别或者说手的跟踪在人机交互中非常重要，已经有几十年的研究。但是它存在的难点还是很多的：手的动作是由很多的复杂的手指的活动构成的，同时，在可变的大视角下面的快速移动。 目前做出来比较好的效果的做法有几种，一种使用了非常复杂的网格模型（mesh model，具体不知道是怎么做的），但局限性在于它的局部最优的方法速度也很差；另一种则是采用多边形模型（polygonal mode

在多次的阅读这篇论文以后才明白文章的结构为什么这样安排：将Hand Initialization这部分放在文章的所有的优化算法的最后，说明整个算法即便是不要这一部分的优化也是可以的。我们从文章中的Table 2可以看到，不使用Hand Initialization得到的结果比使用到Initialization的结果差2mm。若是你对于最终的结果要求不是很高的话，其实可以忽略这一部分了。我们从H

微软亚洲研究院2014CVPR： Realtime and Robust Hand Tracking from Depth

首先 作者是online boosting的作者文章提到   这个tracker 要不然就要提前知道每种变化的形态  要适应不断变化的背景 要不然很复杂 （fixed tracker）解决的办法是自适应（adaptive） 要自适应 ，那么对于在线的跟踪，漂移（drifting）是最大的问题 ：每一次我们更新我们的tracker的时候都会有新的错误的引入（introdu

boosting的基本思想： 三个臭皮匠抵一个诸葛亮   利用一些容易得到的弱分类器 组合训练形成强分类器。本文中基本思想就是这样的 关键用到了 ：boosting用于特征选取

文章：Robust object tracking with on-line  multiple instance learningBoris Babenko, Student Member, IEEE, Ming-Hsuan Yang, Senior Member, IEEE and Serge Belongie, Member, IEEE ；PAMI ，2011.

WMIL 学习

文章：semi-supervised Boosting using Visual Similarity Learning 学习

文章：Real-time compressIve trackingK Zhang, L Zhang, MH Yang - Computer Vision–ECCV 2012, 2012

CT代码深入学习

CT 代码详细学习_模块1（样本的采集和扩充）

compressive tracking（CT）代码详细学习_模块2(特征的提取和计算)

Exploiting the Circulant Structure of Tracking-by-detection with Kernels 公式详细的推导，整个的推导过程就是这样的，我是花了几个月的，分享给大家！