1、深度学习在目标跟踪中的应用经典目标跟踪方法基于深度学习的目标跟踪方法跟踪方面的资料经典目标跟踪方法基于深度学习的目标跟踪方法跟踪方面的资料构建目标 描述模型 时 ， 模型可分为产生式模型和判别式模型 。产生 式模型主要是通过计算目标和样本的联合概率，找到与目标模型最相近的样本作为当前目标状态的估计 。判别式 模型则是计算条件概率，直接判断样本是否为目标 。根据构建模型的不同，跟踪算法可以分为：产生式方法、判别式方法 产生式 方法通过建立描述目标外观形状的模型来实现跟踪。即在下一帧图像中寻找最接近目标模型的物体的位置。这种 “ 最接近 ” 通常用最大似然或最大后验概率的形式来表示。产生式 方法
2、着眼于对目标本身的刻画，忽略背景信息，在目标自身变化剧烈或者被遮挡时容易产生 漂移 。产生式 方法分为：点跟踪、核跟踪、 轮廓跟踪、基于稀疏表示的跟踪。 判别式方法把跟踪看成目标和背景的分类问题，与传统的跟踪算法不同，它不需要建立复杂的观测模型来描述目标，而是 通过训练分类器来将 目标从背景中提取出来 。分类器常用于目标检测中，在背景中检测目标的位置。在背景中得到了目标的位置也就实现了目标跟踪。因此，这种方法也被称作基于检测的跟踪（ Tracking-by-Detection）判别式方法因为 显著区分背景和前景的信息，表现更为鲁棒，在目标跟踪 领域占据主流地位。值得一提的是，目前大部分深度学习
3、目标跟踪方法也归属于判别式框架。 判别式方法 的主要步骤：1. 已知目标初始位置，抽样提取当前帧的正负样本，在线训练分类器；2. 读入下一帧图像，一般假设前后两帧目标的位置不变，在目标位置周围抽取图像样本；3. 将抽取的样本送入之前训练的分类器，根据分类器得分最高的样本即可确定目标的新位置。由于目标的各种外观信息都包含在训练分类器所需的正负样本中，因而判别式方法具有很好的鲁棒性，能够有效地处理真实场景中遇到的目标尺度变化、光照变化、部分遮挡等问题。 判别式方法采用的分类器有很多种 ：1） Boosting分类器2）贝叶斯分类器3） SVM（支持向量机）分类器4）随机森林分类器5） RLS（ 正则化最小二乘法）分类器6）神经网络分类器7） 经典目标跟踪方法基于深度学习的目标跟踪方法跟踪方面的资料
