運動目標跟蹤（十四） MIL跟蹤

原文：

文章：robust object tracking with on-line multiple instance learning

boris babenko, student member, ieee, ming-hsuan yang, senior member, ieee and serge belongie, member, ieee ；pami ，2011.

對於tracker得到的或是擴充套件得到的影象patch塊，計算出每個patch塊的harr-like特徵，對於每乙個影象patch塊x，都由harr-like特徵的feature vector表示。對於每一幀待檢測的影象，提取乙個patch塊的集合，這個集合滿足：

同時也可以考慮引入尺度變換引數，這樣的好處是結果可以更加的準確；壞處是增加了引數的空間維度。可根據需求決定。

所以問題的關鍵是要求得使得概率最高時的那個bag（集合x），即：argmax（l），

於是，仿造on-line boosting的方法，構造on-line mil演算法。

首先，由第一幀得到的資訊，擴充套件正負樣本，形成一組由patch塊集合組成的資料集bags（帶標籤的）；

然後，計算各個patch塊的harr-like特徵向量，用它來表示每乙個image patch 塊。樣本的特徵的條件概率分布滿足高斯分布，均值和方差分別通過新得到樣本更新，再由貝葉斯法則得到它的概率；

然後，構造一組m個弱分類；通過公式

接下來，（用motion model 根據上一幀目標的位置，擴充套件目標的可能位置；根據公式：

？）還是從m個弱分類器中選出響應最好的k個強分類器；

然後，計算上面得到的目標位置集合中樣本的似然概率的最大值，並將這個樣本作為當前幀目標的位置；概率可以由sigmoid函式表示，又根據nor model知道

最後，由上面更新的目標的位置，跟新分類器，如此在迭代上述過程。