转自：http://blog.csdn.net/wjbwjbwjbwjb/article/details/7169220
最近阅读了TPAMI上的一篇文章，是关于多实例学习跟踪的。
非常欣赏其文章写作，引言中总结了跟踪系统组成的三个基本元素：外观模型，运动模型和搜索策略。作者的工作主要是针对外观模型，构建了一种多实例在线学习方法，结合了MILBoost和Online AdaBoost，效果也很好。
不过我要谈的是跟踪创新问题，那么下面浅谈一点我的认识：
1）外观模型。即研究如何更好的评价一个候选目标位置的相似度似然问题，如：基于检测的跟踪，多实例学习跟踪，增量式学习跟踪，等等。基本思想是提高目标相似度的评价结果，改善跟踪的自适应能力。主要方法来自于检测和识别技术的发展，将近年来在检测和识别上的优秀方法应用的跟踪中。
2）运动模型。这是一个控制问题，目前研究的比较少，比较经典的如卡尔曼滤波方法，自回归滑动平均，粒子滤波中的一阶、二阶马尔可夫过程等，想从这方面突破的可能需要在控制论、自动化等方法有一定研究，提出一种比较好的运动模型来刻画对象的运动。
3）搜索策略。其实这个问题最牛逼的就是均值漂移算法(Mean Shift)，它是一个非常经典的局部最优化搜索方法，也是最速下降法在视觉跟踪上的重要应用。除此之外，在最优化方面有所研究的同志应该可以做出比较不错的创新。
鉴于上面几点分析，本人针对第三个问题正在做研究。