Online learning of robust object detectors during unstable tracking

文章主要介紹了一下TMD-tracing model detection的跟蹤系統。

其中主要介紹的應該是Online learning的演算法，或者是系統。個人感覺這個是Zdenek PN-learning演算法的雛形。

這個online learning演算法主要由兩個部分組成。

1 Growing events 挑選正樣本添加到訓練集中。

2 Pruning events 修剪負樣本，讓模型更加魯邦。

其實這篇文章中的所謂的模型，僅僅是一系列的目標檢測窗。（有點類似於EigenFace的模型）。

作者是這麼假設的：

我們假設有一個集合L*，L*表示所有目標可能存在的座標地區，L*中間都是正確的目標（理性狀況下）

而我們的檢測模型這裡假設為Lt，Lt僅僅是一個假設的模型，我們希望的是Lt可以無限的接近於L*。

那麼Growing events就是不停的想Lt中加入目標的證樣本。

而Pruning events就是不段的把Lt中的負樣本挑出來。

最終的目標是讓Lt=L*。

這個就是TMD訓練原理了。那麼如何增加和修剪正負樣本呢？

Growing events遵從三個原理去增加正樣本：

1 ABS（absolute distance from first patch）其實就是讓檢查到可能的樣本與Lt中的第一個，也就是初始目標特徵比較距離。

2 DIFF（difference between consecutive patches） 這個就是可能的目標與最新的一個Xt-1的特徵去比較距離。

3 LOOP 一個迴圈的過程，最終的意思是把與Lt相差很大的但卻是正樣本的目標添加進Lt中，增加模型的魯棒性。

Pruning events意思是修剪Lt中的負樣本，就是說先前判斷為了正樣本，而隨著Lt的魯棒性增加，現在判斷為了負樣本，這個時候我們剔除這些負樣本。

其實在實施的時候，作者規定了一個負樣本的比例，只要超出這個比例的，我們都當做負樣本，剔除。

其他實施細節：

跟蹤：採用的是光流的方法。選擇特徵點去跟蹤。

Online model：類似於Eigenface的一種方法。

Features：2bit Biary Patterns，一種類似LBP和Haar的特徵。

參考資料：

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