【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(gè) 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(shí)， P專家 產(chǎn)生了 錯(cuò)誤的結(jié)果 ，但經(jīng)過 N專家 的比較，又把這個(gè)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(cuò)誤的負(fù)樣本，Nexperts僅識別錯(cuò)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(yùn)行機(jī)制： ? 跟蹤模塊 假設(shè) 相鄰視頻幀之間物體的運(yùn)動是 有限的 ，且被跟蹤目標(biāo)是可見的 ，以此來估計(jì)目標(biāo)的運(yùn)動。如果檢測模塊 將目標(biāo) 在 當(dāng)前幀中的位置 標(biāo)記為 負(fù)標(biāo)簽 ，那么 Pexperts就產(chǎn)生一個(gè) 正 樣本 。 ③ 計(jì)算跟蹤點(diǎn)的 FB誤差 ，篩選 出 FB誤差最小的 一半點(diǎn)作為最佳追蹤點(diǎn) 。 ? 這樣，保證了每個(gè)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(gè) patch了。如果 跟蹤器 結(jié)果可靠，那么距離目標(biāo)位置較遠(yuǎn)（重疊度 ）的方框?qū)⒈粯?biāo)注為負(fù)樣本。 ... 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(gè)后驗(yàn)概率值會 被 平均 ，集成 分類器把 平均后驗(yàn)概率 大于 是目標(biāo)。 ? ?1 2 1 2, , ..., , , , ...,mmM p p p p p p? ? ? ? ? ??任意給定一個(gè) 圖像片 P和 目標(biāo)模型 M，我們定義幾個(gè)量化指標(biāo)： ① 正 樣本最近鄰 相似度 ② 負(fù)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(biāo)模型 是一個(gè)代表迄今為止觀測到的 被檢測目標(biāo) 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(fù)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(shí)間 t的初始位置 x(t)開始追蹤產(chǎn)生時(shí)間 t+p的位置 x(t+p)； ? 再 從位置 x(t+p)反向追蹤產(chǎn)生時(shí)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(shí)間的 FB誤差 。 PN experts 的設(shè)計(jì)： Pexperts尋找視頻序列中的 時(shí)域上 的結(jié)構(gòu)性特征，并且假設(shè)目標(biāo)是沿著軌跡線移動 的。 ? 同時(shí)，通過一種改進(jìn)的 在線學(xué)習(xí)機(jī)制 不斷 更新檢測 模塊的 目標(biāo)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(gè)部分： 訓(xùn)練集 正、負(fù)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）