多尺度压缩跟踪_基于粒子滤波的应用
Tracking-by-detection的思想用discriminative外观模型来在线训练和更新分类器，将采样的样本在分类器上获得的最大值标定为新目标。压缩跟踪（CT）是压缩域中的一种特征提取方法，其缺点是：1 检测样本的跟踪框大小固定 2 采样半径固定，当运动机动性较大，采样不准确 3 学习因子固定
多尺度压缩跟踪[1]将CT与粒子滤波（PF；自举粒子滤波--bootstrap filter）结合。粒子滤波在非高斯、非线性贝叶斯模型的应用上较为突出，基于PF的跟踪通常使用轮廓（contours）和颜色（color ，其对光照变化或者相似颜色较为敏感）作为观察模型（observation model），如文献[2-5]，存在的共性问题是计算量大。根据表观模型，可以将跟踪算法分为基于生成式的（generative）和判决式的（discriminative），其具体介绍可在CT论文中看到。参考visual tracker benchmark和FCT，生成式的算法有Frag、IVT、（SCM、L1T和ASLA，字典学习）等，判决式的方法有MIL（多实例学习，亦可结合PF）、Struck（评分高）、（CT和FCT，程序简洁）等。
稀疏表示和压缩传感在跟踪中的应用主要是将目标表示为目标模板的稀疏线性和。基于L1范数最小原理，目标可以用较少的模板来近似[6]，但其较耗时。而压缩跟踪实时性较好。
MSCT：
粒子滤波框架，即包含预测与更新两个步骤，且过程允许非高斯线性。
xk-x,y,s表示k时刻粒子状态（位置及尺度），由预测模型可有xk-1求得xk
当获得观察值zk，更新公式为
其中，
即为归一化值。
由粒子滤波理论有预测后的粒子x*k可以利用粒子特征与正负样本的距离计算其权重
粒子的初始状态是手动输入的，进一步其预测方程为（二阶自回归模型）
其中，i表示第i个粒子。
权重函数为
其中，H是分类器的响应，当粒子特征与正样本特征的距离越近、与负样本特征距离越远的时候，响应越大，即该粒子越可能为正样本，并给予较大权值。其表示为
式中的概率p是高斯模型，利用均值和方差参数可以估计出每一粒子特征的分别属于正负样本的概率。
对于学习因子的理解不深，不作说明。
感悟: 粒子滤波算法还是经典，作者算是压缩跟踪的改进算法中较为突出的一个了，其还很好的处理了尺度问题，同时不失实时性。算法在CT出来后不多见便提出来了，跟着大牛的脚步还是必须的，加之积累必可一番作为。感觉好的目标表外特征就可以应用到粒子滤波框架中去，如IVT（增量视觉跟踪算法）即是基于PCA来提取目标的表观特征的，而MIL也可以结合PF形成尺度算法。张开华教授提出的CNT（基于卷积网络的跟踪）亦是将训练好的目标表观送入粒子滤波器，其用的是神经网络算法的前两步快速得到了鲁棒性较高的样本特征，真真是高手，看那些原理头很大，可是看张老师这些文章可以很好理解其实际应用，魅力无穷！！对于我自己而言，如何跟上大牛的脚步，应用到自己的领域中去才是王道。
参考文献
[1] Real-time multi-scale tracking based on compressive senseing. Wu yunxia.
[2] Condensation conditional density propagation for visual tracking. Isard.
[3] Icondensation: unifying low-level and high-level tracking in a stochastic framework.Isard
[4] A probabilistic exclusion priciple for tracking multiple objects. MacCormick.
[5] Robust visual tracking by integating multiplecues based on co-inference learning. WU.
[6] Robust visual tracking using L1 minimization. Xue mei.
（特征选择 模型更新）压缩感知跟踪中的特征选择与目标模型更新
一是根据特征的正负条件概率分布的距离选择能有效区分目标与背景的特征，选择较强特征。二是根据当前目标与原始目标的差异自适应更新目标外观模型，是的目标遮挡时，外观模型不会被错误更新。
