目標追蹤器算法研究現狀概述
目標追蹤器算法發展較為成熟，其基本思路為建立一個外觀模型，然后用此外觀模型對圖像中區域匹配與外觀模型相似的目標。
目標追蹤器算法的發展方向：
1、減輕背景相似干擾、光照條件的變化、遮擋等外界因素對追蹤的影響；
2、降低目標的姿 態、尺度、運動速度等內在因素對追蹤的影響；
3、提高在實際應用中的速度。
加利福尼亞大學研究人員提出一種在線多示例學習的魯棒性目標追蹤器。算法通過在線訓練一個判別分類器，將目標從背景中分離出來。這個分類器使用當前追蹤器狀態從當前幀中提取正例和反例來引導自己追蹤正確的目標。他們構造一組單例的這樣的分類器，組成一個分類器的集合，用多示例學習的方法確定最優分類器組合，然后再對每一個粒子進行分類。
然而算法在提取樣本不充分時會產生模板漂移，導致追蹤精度下降。 所以研究人員又提出一種使用回歸網絡進行通用對象跟蹤的追蹤器，該算法基于卷積神經網絡，對光照變化和視點變化具有較高魯棒性，但對稍被遮擋的目標處理效果不佳。
而接著，再次提出一種具有通道和空間可靠性的判別相關濾波器，將信道和空間可靠性的概念引入到判別相關濾波器追蹤中，信度分數反映了學習濾波器的信道質量，并作為特征加權系數用于定位，改善了對非矩形區域或對象的追蹤效果，為對象跟蹤提供了更高的精度。
