20、基于多分类器提升的目标跟踪算法：MCBQ的原理与应用

基于多分类器提升的目标跟踪算法：MCBQ的原理与应用

1. 目标跟踪与分类问题

目标跟踪常被视为一个分类问题，通过快速重新检测来实现。具体操作是根据目标对象的先前位置和速度设置搜索窗口，然后在该窗口内检测目标。检测器通常是一个二分类器，会在搜索窗口内按不同尺度对每个像素对应的子窗口进行评估，判断其是否包含目标对象。由于涉及大量子窗口，因此每个子窗口的评估必须高效。

目前，在线增强分类器因效率和准确性而被广泛应用。不同的研究也提出了多种方法：
- 有的研究引入在线特征选择，在每一帧选择最具区分性的特征来计算似然度。
- 集成跟踪则通过AdaBoost组合少量弱分类器。
- 在线增强跟踪方法从弱分类器池中选择特征并组合成强分类器。

不过，没有目标模型的在线方案容易出现漂移问题，一种解决办法是在跟踪阶段之前学习一个目标模型。

2. 单分类器跟踪的局限性与多模态需求

在跟踪过程中仅维护一个增强分类器，仅适用于单视角跟踪或目标对象视角缓慢变化的情况。当目标对象外观快速变化时，跟踪往往会失败，因为增强分类器的大多数弱学习器与新的对象外观无关。强行让在线分类器适应这些快速变化，会增加错误适应背景区域的风险。因此，需要一种多模态的对象表示和分类器，这种模型可以是生成式的，也可以是判别式的。

3. 多分类器提升算法的挑战

近年来，多分类器提升算法被引入，它将聚类和分类器训练联合进行。但这些方法目前主要应用于目标检测，直接应用于在线跟踪领域并不容易。主要原因是在在线环境中，正样本和负样本的数量不足以确保在初始阶段对输入空间进行良好的划分。

4. MCBQ算法的提