【正文】 1%范圍的偏移， 177。 如此， 對于 QVGA 圖片（ 240*320）來說會產(chǎn)生約 5萬個 掃描 方框，具體數(shù)字取決于初始框的長寬比。 ? 在 第 t+2幀 時， P專家 產(chǎn)生了 錯誤的結(jié)果 ，但經(jīng)過 N專家 的比較，又把這個結(jié)果排除了，算法仍然可以追蹤到正確的車輛 。 Pexperts僅識別錯誤的負樣本，Nexperts僅識別錯誤的正樣本 。 TLD架構(gòu)結(jié)構(gòu)圖 二、 TLD框架結(jié)構(gòu) TLD算法 運行機制： ? 跟蹤模塊 假設(shè) 相鄰視頻幀之間物體的運動是 有限的 ，且被跟蹤目標是可見的 ，以此來估計目標的運動。如果檢測模塊 將目標 在 當(dāng)前幀中的位置 標記為 負標簽 ，那么 Pexperts就產(chǎn)生一個 正 樣本 。 ③ 計算跟蹤點的 FB誤差 ，篩選 出 FB誤差最小的 一半點作為最佳追蹤點 。 ? 這樣，保證了每個分類器基于一 組 不同的 特征集合，而且所有的特征統(tǒng)一起來就可以覆蓋整個 patch了。如果 跟蹤器 結(jié)果可靠，那么距離目標位置較遠（重疊度 ）的方框?qū)⒈粯俗樨摌颖尽? ... 集成 分類器 輸入 圖像塊 經(jīng)過所有基本 分類器后，產(chǎn)生 的 10個后驗概率值會 被 平均 ，集成 分類器把 平均后驗概率 大于 是目標。 ? ?1 2 1 2, , ..., , , , ...,mmM p p p p p p? ? ? ? ? ??任意給定一個 圖像片 P和 目標模型 M，我們定義幾個量化指標： ① 正 樣本最近鄰 相似度 ② 負樣本最近鄰 相似度 ③ 前 50%正樣本的正最近鄰 相似度 ④ 相對 相似度 ⑤ 保守 相似度 ? ? ? ?, m a x ,i ipMS p M S p p??? ??? ? ? ?, a x ,i iS p S p p??? ??? ? ? ?50%2, m a x ,i mip M iS p M S p p? ? ? ??r SS SS???? ? 50%50%c S?? ? (3)目標模型 是一個代表迄今為止觀測到的 被檢測目標 及其 周圍背景 的數(shù)據(jù)結(jié)構(gòu)，它是一系列 正樣本 和 負樣本 的集合 Tracker 帶有 失敗 檢測 （ Failure detection）的 中值流 （ MedianFlow ）跟蹤 算法，定義 FB誤差（ forwardbackward error）： ? 從時間 t的初始位置 x(t)開始追蹤產(chǎn)生時間 t+p的位置 x(t+p)； ? 再 從位置 x(t+p)反向追蹤產(chǎn)生時間 t的預(yù)測位置 x`(t)； ? 初始位置 x(t)和 預(yù)測 位置 x`(t)之間 的歐氏距離就作為追蹤器在 t時間的 FB誤差 。 PN experts 的設(shè)計： Pexperts尋找視頻序列中的 時域上 的結(jié)構(gòu)性特征，并且假設(shè)目標是沿著軌跡線移動 的。 ? 同時，通過一種改進的 在線學(xué)習(xí)機制 不斷 更新檢測 模塊的 目標模型 及 相關(guān)參數(shù) ，從而使得跟蹤效果更加穩(wěn)定、魯棒、可靠。 PN學(xué)習(xí)結(jié)構(gòu)圖 PN學(xué)習(xí)包含四個部分： 訓(xùn)練集 正、負樣本的 函數(shù) 練分類器的方法 三、 PN學(xué)習(xí) ? PN學(xué)習(xí)的公式化（略）