real-time compressive tracking 所感

最近在学习张开华教授的real-time compressive tracking这篇文章，记录下自己体会。

算法的工程网址：http://www4.comp.polyu.edu.hk/~cslzhang/CT/CT.htm

非常感谢zouxy09的专栏博主的论文分析：http://blog.csdn.net/zouxy09/article/details/8118360

以及C++代码分析：http://blog.csdn.net/zouxy09/article/details/8210176

 

下面是自己的一些感悟，欢迎大家指正：

我通过测试作者的程序发现该程序的运行效率较高，基本能实现在线跟踪效果，且不需要离线处理。但在某些测试样本中易出现跟丢的现象，初步怀疑作者提取的特征较为简单。

特征提取：本文中采用类似Haar特征模型，通过提取某块区域的像素和来作为特征，并采用了压缩的方法（原理不甚明朗）保留极少特征且保证不失真，极大减少了内存和提高了处理速度。关于Haar特征模型，请参考：http://blog.csdn.net/zouxy09/article/details/7929570 。

跟踪分类器：本文采用朴素贝叶斯分类器，通过正负样本log比值来确定概率，见论文公式（4）。在跟踪的同时在线更新分类器参数，保证跟踪的质量。

跟踪过程：1、第一帧人工标定目标，提取目标特征样本（整个程序只提取一次），并初始化分类器。

2、其余帧首先在上帧目标周围采取样本，并通过分类器得到分类最高的样本作为新的目标位置，并在新目标周围采集正负样本来训练分类器。

 

C++代码部分分析：

HaarFeature（）：用于第一帧提取目标的相对框架，对应于Fig1中的multiscale filter;以及矩阵R。

sampleRect （）：有两个函数，一个采集正负样本用于训练分类器，一个采集样本用于检测。

getFeatureValue（）：获取压缩后的特征。

classifierUpdate（）：更新分类器。

radioClassifier（）：计算样本的概率，选择最高概率的样本作为新的跟踪区域。

附：C++程序在release下运行效果更好。

 

MATLAB代码部分分析：

HaarFtr（）：作用等同于C++的HaarFeature（）。

sampleImg（）：作用等同于C++的sampleRect （）。

getFtrVal（）：作用等同于C++的getFeatureValue（）。

classiferUpdate（）：作用等同于C++的classifierUpdate（）。

ratioClassifier（）：作用等同于C++的radioClassifier（）。

 关于MATLAB和C++混合编程基础部分可参照：http://blog.csdn.net/zouxy09/article/details/20553007