视频目标跟踪框架

在目标周围的矩形或者圆形区域内进行穷举搜索，也被称为稠密采样

粒子滤波方法通过非参数化的蒙特卡洛仿真实现递推贝叶斯滤波，适用于任何能用
状态空间模型表示的非线性系统。粒子滤波方法可以融入仿射变换信息，并且其计算效
率较高。

整体直方图描述

协方差矩阵描述

活动轮廓描述

局部分块区域描述

超像素描述

局部特征点描述

被广泛应用在图像理解以及视频分析应用中

基于生成模型的视频目标跟踪算法利用目标外观信息构造目标参考模型，通过在后续视频帧中搜索与目标参考模型最相似的图像区域来实现对目标的跟踪。基于生成模型的视频目标跟踪算法中的代表性方法包括：基于高斯混合模型的方法、基于主成份分析的方法、基于张量子空间学习的方法、基于局部线性嵌入（Local Linear Embedding）的方法、基于稀疏表示的方法以及基于压缩感知的方法。

基于判别模型的视频目标跟踪算法中的代表性方法包括：基于判别特征选择的方
法、基于偏最小二乘的方法、基于 boosting 方法的跟踪算法、基于半监督
boosting 方法的跟踪算法、基于度量学习的方法、基于集成学习的方法、基于
多实例学习的方法、基于朴素贝叶斯的方法、基于支持向量机的方法、基于
半监督学习支持向量机的方法、基于结构化支持向量机的方法、基于弱监督学
习支持向量机的方法、基于随机森林的方法、基于核相关的方法以及基于深
度学习的方法。

生成模型与判别模型具有不同的优缺点，且两种模型存在一定的互补性。因此，有
效融合这两种模型将有助于提高视频目标跟踪的准确性。

能够及时地对模型进行更新，但是也容易因为背景杂波的干扰而使得外观模型被错误的更新，最终将会导致跟踪漂移。

在一定程度上减少了模型更新所积累的噪声，但是，如果模型更新速率过慢则无法及时反映目标外观的变化，同样也会导
致跟踪失败。

低于阈值说明此时外观模型难以准确地区分目标和背景，因此需要对外观模型进行更新。