【正文】 ? PN學(xué)習(xí) 的穩(wěn)定性證明 （略） ? PN學(xué)習(xí) 的仿真驗(yàn)證 （略） 詳細(xì)內(nèi)容請參考： ? Z. Kalal, K. Mikolajczyk, and J. Matas, “TrackingLearningDetection,” Pattern Analysis and Machine Intelligence 2023. ? Z. Kalal, J. Matas, and K. Mikolajczyk, “PN Learning: Bootstrapping Binary Classifiers by Structural Constraints,” Conference on Computer Vision and Pattern Recognition, 2023. PN experts 的設(shè)計(jì)： b） 中待檢測目標(biāo)在一個視頻幀中可能同時出現(xiàn)在好幾個區(qū)域，并且待檢測目標(biāo)在相鄰視頻幀之間的運(yùn)動 沒有連續(xù)性 。該狀態(tài)屬性可以是一 個 方框 或一個指示目標(biāo) 是否可見的 標(biāo)記 。 檢測模塊使用 級聯(lián)分類器 （ Cascsded classifier）來判斷輸入的圖像塊中是否 還有目標(biāo)，劃分為 三個模塊 ： ① 方差分類器（ Patch Variance） ② 集成 分類器（ Ensemble Classifier） ③ 最近鄰 分類器（ NN Classifier） Detection 圖塊 1被方差分類器淘汰 圖塊 3通過級聯(lián)分類器 圖塊 2被集成分類器淘汰 方差分類器 方差分類 器淘汰所有 灰度值方差 （ grayvalue variance）小于 初始 跟蹤框 內(nèi)圖像塊的 50%的圖像塊， 灰度值 方差 可以表示 為： ? ? ? ?22E p E p? 一般而言，這一步會淘汰 超過 50%的 非目標(biāo)圖像塊 （比如，天空，街道等等）。 10%范圍的平面內(nèi)旋轉(zhuǎn)，并且在每個像素上增加方差為 5的高斯 噪聲 ), 那么 10個 box將產(chǎn)生 200個 仿射變換 的 方框 ，作為集合分類器的 正樣本 pX； ? 目標(biāo) 框外的其他 圖像塊都是 負(fù)樣本 ，將其中方差大于閾值的圖像塊都加入 集合分類器的 負(fù)樣本 nX； ? 如 ，初始化后驗(yàn)概率。 Learning ? 初始化 學(xué)習(xí) 模塊的任務(wù)是在第一幀中 初始化 檢測器，并且在運(yùn)行過程中使用 PN expert 和 the Nexpert更新 檢測器 。 mdid imdd? Detection 檢測器 通過一個 掃描窗口 來掃描輸入圖像，然后判斷出每一個圖像 塊是否含有目標(biāo) 。 PN experts 的產(chǎn)生樣本的例子： ? 目標(biāo)是下面 深色 的車 ? 黑色框 是 檢測器 檢測到的正 樣本 ? 黃色框 是 跟蹤器 產(chǎn)生 的正 樣本 ? 紅星標(biāo)記 的是每一幀最后 的跟蹤結(jié)果 ? 跟蹤器 代表產(chǎn)生正樣本的 P專家 ? 在 第 t幀 ， 檢測器沒有發(fā)現(xiàn)深色車 ， P專家 認(rèn)為 深色 車是 正樣本， N專家 經(jīng)過比較，認(rèn)為深色車的樣本更可信，所以把淺色車輸出為負(fù)樣本 。 一、 TLD算法簡介 二、 TLD框架結(jié)構(gòu) 三、 PN 學(xué)習(xí) 四、 TLD算法實(shí)現(xiàn) 主要內(nèi)容