半自主单目标跟踪
人工跟踪：每一帧都需要人互动输入
主动跟踪：需要目标的先验信息初始化
半主动跟踪：第一帧需要人互动输入去初始化跟踪程序
1 Tracking：
在这个方法中，没有目标的先验信息，需要外部的初始化。在本文的方法中，初始化是通过在第一帧进行人为的干预。
首先，在第t帧的边界框中构造一个等距的点集，在左边的图像中显示。接下来，使用Lucas和Kanade的方法对每一个点的光流进行估计。这个方法，对于位于拐角的点并且同一区域没有跟踪点是最合适的。
通过使用Lucas-Kanade方法的信息之外，还引用了两个不同的误差指标，正则化交叉相关，和前向后向误差，去过滤掉错误的跟踪点。
如果所有的点的FBerror的均值如果大于阈值，就会认为跟踪产生了漂移整个递归的跟踪会被全部停止。
最后,剔除掉错误的跟踪点和不好的点，剩下的点被用于估计下一阵目标框的位置，通过使用一个位移和尺度的模型。
1.1 光流法的估计：
Lucas and Kanade 提出光流法， 基于以下
三个假设：
1，光照不变（亮度）
d是位移向量
2，小动作幅度（temporal persistence）于是有以下近似公式：
所以位移向量能这样近似估计：
3.空间协同性，在一个像素的附近小窗口内，所有像素协同运动，通过这个假设，d可以通过最小化（2.4）：
2.4闭式解：
1.2 误差测量：
三个指标
1。G矩阵的两个的特征值：在两个方向上都有梯度时，只有当这两个特征值足够大时这个G矩阵才是确实可靠地可逆的。
2。前向后向误差， p是原图的点， LK（p）是进行一次光流计算，p两飘是点经过前向和后向的光流传导后的点， 如果向前向后之后这个点的距离与原点差距很小（欧式距离）那么认为这个点适合作为光流法进行计算位移矢量计算。
3。空间协同性: 第三个误差基于图块附近（P）以及跟踪结果的附近（P一飘）的相似程度。 另外，两个图块p1和p2的相似程度是用正则化交叉相关（NCC）来衡量的：
u1，u2，theta1，theta2是均值和标准差。ncc越大越相似。
1.3 平移模型：
medFB：所有前后向误差的均值， medNCC：所有近似性（NCC）的平均值。
几个规则： 只使用小于medFB并且大于medNCC的点去进行FB计算。
如果medFB大于thetaFB阈值，那么终止跟踪，认为跟踪失败。
算法流程
：
2 Detection：
当递归跟踪器自身无法维持目标模型进而无法从失败中恢复，目标检测就会让我们能够重新初始化。
使用滑窗的方法进行全局搜索。
一个分辨率640x480的图片，可以生成50000到200000个窗口，每个宽口都会单独进行目标检测。每一个次级窗口都会进行串联式的四个阶段的筛选，串联机制就是为了剔除掉不相关的次级窗口。
第一阶段： 背景差分，剔除掉属于背景的次级宽口，把搜索区域限制在前景范围（需要一个背景的模型，如果没有这步会跳过）。
第二阶段：方差抑制，剔除掉方差小于阈值的窗口。
第三阶段：随机撅，一个集成分类器
第四阶段：相似性检测模板匹配，基于正则化相关系数。
2.1 滑窗方法：
首先呢，一个输入图像的次级窗口有很多个，量级巨大，并且其数量级的增长呈n的4次方增长（nxn尺寸）。
为了限制次级窗口的数量，建立这样一个亚空间：R
两个相邻的次级窗口在边长上的增量dx and dy，=1/10初始窗口边长。
然后尺度因子：s = 1.2a,a ∈ {−10. . .10}
w,h是初始框的边长，n，m是图像的宽高
例如：对于w=80,h=60，一个VGA图像中的次级窗口的数量是：146190个。
每个亚窗口独立测试（多线程）。
2.2 前景检测：
背景去除可以加速程序，分为4步：
1。Ibg and I的绝对距离，Ibg是背景图。
2。Ibinary：阈值设置为16，大于100是前景置1，小于16是背景置0，生成一个二进制图像Ibinary。
3，标签算法：在二进制图像中，为1的称为白像素，要把白像素连接成为组件，进而找到前景所在的组件，然后用一个最小的框把前景组件框起来。连接白像素点为组件的过程使用了标签算法。
4。最小前景边框：在找到所有可能是前景的组件之后，还需要剔除掉比较小的组件，找到最主要的组件，然后用一个最小的框把前景组件框起来。
2.3 方差滤波器:
在这个部分，我们提出了一个机制:
使用积分图去计算一个亚窗口的方差，如果一个图块的方差低于阈值theta2min，这个图块就会被去除。
这个机制能快速地去除背景元素。但是不能区分不同的目标。
计算反差步骤:
一个图像块B被看成一个一维的向量。并且，第i个像素用xi符号去表示。对于图像来说，方差的公式是:
n是图块像素总数，u是:
3.4式子的一个替代公式是:
如果直接使用3.6式子进行方差计算，对于n个像素的图块，需要进行n次记忆查询，并且对于有重合的两个图块来说，计算还会重复。所以提出一个新方法，把原图I转换成积分图I'。这样只需要进行8次记忆查询。
积分图I':
积分图的性质:可以被分解为四部分:
那么对于某个图块(ABCD)中像素的总和,它可以使用积分图来计算:
式子中的B是图块框B.(x y w h)
用一维积分图的方法3.9(3.10)可以用来计算3.6式子中的u=I'(B)/n.
然后3.6中还有一部分∑xi²同样也可以使用类似的方法，二维积分图。
最终可以使用3.13式子，利用一维和二维积分图快速计算图块B方差。
ABCD内像素的总和的计算步骤:从左上原点加到D，减去原点到B减去原点到C，加上原点到A.
通过积分图进行四次查询就可以完成计算。
2.4 集成分类器:
随机厥:
单个撅的步骤：
随机撅步骤举例，在算法跟踪初始化的时候，在随机生成S个（
使用特征的个数）像素对位置（di,1 and di,2），初始化之后这些像素对位置就不再变化了（相当于一个随机生成的二进制特征提取）人，如上面例子所示：
对于
单个撅来说：
1。初始化，随机选定4个（
S=4，使用特征的个数）像素对位置，（di,1 and di,2）.
2。亮度对比，对比每个像素对位置对应的像素的亮度.如果I(di,1)大于I(di,2)，者置1，否则置0
3。例子中是1101，翻译为十进制为F=13（特征值），S是特征的个数（ S=4），这会决定特征值F的最大值 2S −1.。
4。检索概率，特征值F是用来检索概率 P(y = 1 | F) ，y=1表示事件：当前亚窗口中含有正样本。具体的概率计算方法会在第4部分讲解。
5。随机撅正样本概率分数：
PFk是P-约束在当前特征提取中应用的次数，NFk是N-约束应用的次数。 概率分数具体的计算将在Learning中详细讲解。
单个撅的算法流程：
维数灾难：
如果只使用单个撅，不得不使用大量的特征（大的S），但是与此同时训练样本的需求量同时也会增加，这个问题叫做维数灾难，具体解决方法被Amit and Geman 发现了，通过使用多个撅，最后把结果进行平均，这样就同样能获得满意的结果。
对于TLD来说，使用了
3个撅 ，最后平均值（Ppos置信值）的计算公式：
流程示例：
2.5 模板匹配：
这一部分的模板匹配更加严格，是像素级别的，把输入亚窗口图像resize到15X15，然后对比两个图像块 P1 and P2, 使用NCC（正则化相关系数）：
μ1,μ2,s1 and s2 是P1 and P2.的平均值和标准差 ，这个距离测量也叫做Pearson相关系数。
从几何角度来翻译，这个系数代表了两个正则化向量的夹角余弦。NCC会生成-1到1的值，越接近1这两个图像块就越相似。 对于ncc值处于0-1之间的值，我们定义了一个距离公式：
正样本模板P+ 和负样本模板 P−都会保存。模板在线学习。
对于未知标签的输入图块P：
与正样本的距离：
与负样本的距离：
置信度P+：
知道输入样本点距离正样本的距离 d+以及与负样本的距离d-之后，引入一个
置信分数p+（代表是正样本的概率大小，越大越可能是正样本）：
正样本负样本例子
置信分数P+与d+和d-的关系。
2.6 非最大值抑制 ：
问题提出 ：
绿框是目标的检测，还款阿甘是其他同样拥有高置信度的重叠的亚窗口。
Blaschk指出，只考虑产生最大置信度分数的那个亚窗口是有问题的，因为其可能不是最佳结果，其会导致其他局部最大值结果被忽视掉。所有引入非最大值抑制策略就很合适，可以用来识别有关的局部最大值。
重叠度计算：
算法策略：
使用阶层式分群演算法（ hierarchical clustering algorithm ）：
1。计算所有置信的边界框之间的两两重叠度。
2。从一个边界框开始，搜寻最近的边界便借款， 如果这个距离小于给定的
中止阈值，我们就把这个框放进同样的集群中，而且，如果其中一个边框已经在集群中了，我们就会合并这些集群。
如果重叠率高于中止阈值（？？？？？为什么是重叠度高）
，我们就把他们放进不同的集群中。
3。然后进行到下一个边界框，我们使用0.5作为
中止阈值。
detection汇总：
各个部分计算量需求：
detection递进算法 ：
3 Learning：
由于tracking和detection是平行同步运行的，而Learning就是去结合这两个方法的输出变成一个唯一的结果。
首先，除了背景模型和方差滤波器的阈值不是自适应的（需要提前给出，无法自适应改变）。 集成分类器和模板匹配都是在线训练的。
在Learning中，我们实施了两个P/N-Learning
约束, 第一个约束是在最终结果附近的所有图块都要检测器识别为正样本。而其他图块必须被检测器识别为负样本（即不存在正样本误识别，负样本正识别的错误发生）。
3.1
融合和有效性：
融合递归tracker 结果Rt和置信度detection结果Dt为一个最终结果Bt的算法：
p+Dt detection置信值，p+Rt tracking置信值。
line4，5：当检测器的置信值比跟踪器的高时，然后就会把检测器的响应作为最后结果，这个过程称为
重-初始化过程，line7，否则就把置信度较高的跟踪器结果作为最终结果。对于其他特殊情况，最终结果为空，因为此时目标可能不可见。
valid(Bt) 是表示最终结果Bt的正确性（表征着对最终结果的高度置信）。只有valid(Bt)是true，接下来的学习更新步骤才会进行。
最终结果是否有效（valid(Bt) ），有几个条件：
1，跟踪器没有被检测器
重-初始化 。line4
2，跟踪器的置信值高于上阈值 theta+ 。line8
3，或者在
前一帧的结果是有效的情况下（valid(Bt−1)=1）跟踪器的阈值高于下阈值theta-。line10
上阈值 theta+表示结果属于正样本集合。
下阈值 theta-（=0.5）表示结果属于负样本集合。
3.2 P/N-Learning ：
一个半监督学习，既有标记的样本也有未标记的样本。
在p/nlearning中，这里有两种约束：
P-约束：识别哪些被错误分为负样本的样本（实际应该是正），并把其放入正样本集合中，（纠正漏检）。P约束要求所有与最终结果高度重合（>60%)的图块必须被分类为正样本。
N-约束：识别哪些被错误分为正样本的样本（实际应该是负），并把其放入负样本集合中，（纠正误检）。N约束要求所有与有效的最终结果不重合(<20%)的必须被分类为负样本 。
PN约束
Xu：未标记样本，Xl：标记过的样本，Xc：分类错误的例子，Xt：用于训练分类器样本。R：滑窗亚窗口空间。
流程：
1。xu经过分类器，给定标签Yu-》Xu。
2。P/N约束根据准则，识别分类错误的Xc，并给定标签Yc-》Xc。
3。Xl与Xc一起作为训练集，进入训练模块。
4。训练结果用于更新分类器。
P/N算法流程：
A：置信度高，学习在进行，但是没有更新正样本库，B：正样本库更新，C：置信度地狱下阈值，结果无效，学习不进行 D：虽然D在上下阈值之间，但是前一帧结果无效，故不满足结果Bt有效的条件3，所有结果无效，不学习无更新。
P(y = 1 | Fk)：
随机撅中正样本概率分数P(y = 1 | Fk)的计算方法：
PFk是P-约束在当前特征提取中应用的次数，NFk是N-约束应用的次数。
3.3 算法主循环：
3.4 其他人总结Learning：
（1）初始化
1 在扫描网格中选择距离初始目标框最近的10个方框，在每个方框的内部进行20次几何变换（±1%偏移和尺度变化，±10%平面内旋转), 则10个box产生200个仿射变换的方框，作为集成分类器的正样本Px；
2 目标框外的其他图像块都是负样本，将其中方差大于阈值的图像块都加入集成分类器的负样本Nx；
3 初始化后验概率。
（2）P-约束
P-expert根据在线模型评估跟踪器结果的可靠性。如果当前位置可靠，则生成一组正样本去更新目标模型和集合分类器。生成正样本的方法与初始化时类似，但是只生成100个正样本。
（3）N-约束
N-expert 生成负训练样本。如果跟踪器结果可靠，那么距离目标位置较远（重叠度 < 0.2）的方框将被标注为负样本。
半自主单目标跟踪
人工跟踪：每一帧都需要人互动输入
主动跟踪：需要目标的先验信息初始化
半主动跟踪：第一帧需要人互动输入去初始化跟踪程序
1 Tracking：
在这个方法中，没有目标的先验信息，需要外部的初始化。在本文的方法中，初始化是通过在第一帧进行人为的干预。
首先，在第t帧的边界框中构造一个等距的点集，在左边的图像中显示。接下来，使用Lucas和Kanade的方法对每一个点的光流进行估计。这个方法，对于位于拐角的点并且同一区域没有跟踪点是最合适的。
通过使用Lucas-Kanade方法的信息之外，还引用了两个不同的误差指标，正则化交叉相关，和前向后向误差，去过滤掉错误的跟踪点。
如果所有的点的FBerror的均值如果大于阈值，就会认为跟踪产生了漂移整个递归的跟踪会被全部停止。
最后,剔除掉错误的跟踪点和不好的点，剩下的点被用于估计下一阵目标框的位置，通过使用一个位移和尺度的模型。
1.1 光流法的估计：
Lucas and Kanade 提出光流法， 基于以下
三个假设：
1，光照不变（亮度）
d是位移向量
2，小动作幅度（temporal persistence）于是有以下近似公式：
所以位移向量能这样近似估计：
3.空间协同性，在一个像素的附近小窗口内，所有像素协同运动，通过这个假设，d可以通过最小化（2.4）：
2.4闭式解：
1.2 误差测量：
三个指标
1。G矩阵的两个的特征值：在两个方向上都有梯度时，只有当这两个特征值足够大时这个G矩阵才是确实可靠地可逆的。
2。前向后向误差， p是原图的点， LK（p）是进行一次光流计算，p两飘是点经过前向和后向的光流传导后的点， 如果向前向后之后这个点的距离与原点差距很小（欧式距离）那么认为这个点适合作为光流法进行计算位移矢量计算。
3。空间协同性: 第三个误差基于图块附近（P）以及跟踪结果的附近（P一飘）的相似程度。 另外，两个图块p1和p2的相似程度是用正则化交叉相关（NCC）来衡量的：
u1，u2，theta1，theta2是均值和标准差。ncc越大越相似。
1.3 平移模型：
medFB：所有前后向误差的均值， medNCC：所有近似性（NCC）的平均值。
几个规则： 只使用小于medFB并且大于medNCC的点去进行FB计算。
如果medFB大于thetaFB阈值，那么终止跟踪，认为跟踪失败。
算法流程
：
2 Detection：
当递归跟踪器自身无法维持目标模型进而无法从失败中恢复，目标检测就会让我们能够重新初始化。
使用滑窗的方法进行全局搜索。
一个分辨率640x480的图片，可以生成50000到200000个窗口，每个宽口都会单独进行目标检测。每一个次级窗口都会进行串联式的四个阶段的筛选，串联机制就是为了剔除掉不相关的次级窗口。
第一阶段： 背景差分，剔除掉属于背景的次级宽口，把搜索区域限制在前景范围（需要一个背景的模型，如果没有这步会跳过）。
第二阶段：方差抑制，剔除掉方差小于阈值的窗口。
第三阶段：随机撅，一个集成分类器
第四阶段：相似性检测模板匹配，基于正则化相关系数。
2.1 滑窗方法：
首先呢，一个输入图像的次级窗口有很多个，量级巨大，并且其数量级的增长呈n的4次方增长（nxn尺寸）。
为了限制次级窗口的数量，建立这样一个亚空间：R
两个相邻的次级窗口在边长上的增量dx and dy，=1/10初始窗口边长。
然后尺度因子：s = 1.2a,a ∈ {−10. . .10}
w,h是初始框的边长，n，m是图像的宽高
例如：对于w=80,h=60，一个VGA图像中的次级窗口的数量是：146190个。
每个亚窗口独立测试（多线程）。
2.2 前景检测：
背景去除可以加速程序，分为4步：
1。Ibg and I的绝对距离，Ibg是背景图。
2。Ibinary：阈值设置为16，大于100是前景置1，小于16是背景置0，生成一个二进制图像Ibinary。
3，标签算法：在二进制图像中，为1的称为白像素，要把白像素连接成为组件，进而找到前景所在的组件，然后用一个最小的框把前景组件框起来。连接白像素点为组件的过程使用了标签算法。
4。最小前景边框：在找到所有可能是前景的组件之后，还需要剔除掉比较小的组件，找到最主要的组件，然后用一个最小的框把前景组件框起来。
2.3 方差滤波器:
在这个部分，我们提出了一个机制:
使用积分图去计算一个亚窗口的方差，如果一个图块的方差低于阈值theta2min，这个图块就会被去除。
这个机制能快速地去除背景元素。但是不能区分不同的目标。
计算反差步骤:
一个图像块B被看成一个一维的向量。并且，第i个像素用xi符号去表示。对于图像来说，方差的公式是:
n是图块像素总数，u是:
3.4式子的一个替代公式是:
如果直接使用3.6式子进行方差计算，对于n个像素的图块，需要进行n次记忆查询，并且对于有重合的两个图块来说，计算还会重复。所以提出一个新方法，把原图I转换成积分图I'。这样只需要进行8次记忆查询。
积分图I':
积分图的性质:可以被分解为四部分:
那么对于某个图块(ABCD)中像素的总和,它可以使用积分图来计算:
式子中的B是图块框B.(x y w h)
用一维积分图的方法3.9(3.10)可以用来计算3.6式子中的u=I'(B)/n.
然后3.6中还有一部分∑xi²同样也可以使用类似的方法，二维积分图。
最终可以使用3.13式子，利用一维和二维积分图快速计算图块B方差。
ABCD内像素的总和的计算步骤:从左上原点加到D，减去原点到B减去原点到C，加上原点到A.
通过积分图进行四次查询就可以完成计算。
2.4 集成分类器:
随机厥:
单个撅的步骤：
随机撅步骤举例，在算法跟踪初始化的时候，在随机生成S个（
使用特征的个数）像素对位置（di,1 and di,2），初始化之后这些像素对位置就不再变化了（相当于一个随机生成的二进制特征提取）人，如上面例子所示：
对于
单个撅来说：
1。初始化，随机选定4个（
S=4，使用特征的个数）像素对位置，（di,1 and di,2）.
2。亮度对比，对比每个像素对位置对应的像素的亮度.如果I(di,1)大于I(di,2)，者置1，否则置0
3。例子中是1101，翻译为十进制为F=13（特征值），S是特征的个数（ S=4），这会决定特征值F的最大值 2S −1.。
4。检索概率，特征值F是用来检索概率 P(y = 1 | F) ，y=1表示事件：当前亚窗口中含有正样本。具体的概率计算方法会在第4部分讲解。
5。随机撅正样本概率分数：
PFk是P-约束在当前特征提取中应用的次数，NFk是N-约束应用的次数。 概率分数具体的计算将在Learning中详细讲解。
单个撅的算法流程：
维数灾难：
如果只使用单个撅，不得不使用大量的特征（大的S），但是与此同时训练样本的需求量同时也会增加，这个问题叫做维数灾难，具体解决方法被Amit and Geman 发现了，通过使用多个撅，最后把结果进行平均，这样就同样能获得满意的结果。
对于TLD来说，使用了
3个撅 ，最后平均值（Ppos置信值）的计算公式：
流程示例：
2.5 模板匹配：
这一部分的模板匹配更加严格，是像素级别的，把输入亚窗口图像resize到15X15，然后对比两个图像块 P1 and P2, 使用NCC（正则化相关系数）：
μ1,μ2,s1 and s2 是P1 and P2.的平均值和标准差 ，这个距离测量也叫做Pearson相关系数。
从几何角度来翻译，这个系数代表了两个正则化向量的夹角余弦。NCC会生成-1到1的值，越接近1这两个图像块就越相似。 对于ncc值处于0-1之间的值，我们定义了一个距离公式：
正样本模板P+ 和负样本模板 P−都会保存。模板在线学习。
对于未知标签的输入图块P：
与正样本的距离：
与负样本的距离：
置信度P+：
知道输入样本点距离正样本的距离 d+以及与负样本的距离d-之后，引入一个
置信分数p+（代表是正样本的概率大小，越大越可能是正样本）：
正样本负样本例子
置信分数P+与d+和d-的关系。
2.6 非最大值抑制 ：
问题提出 ：
绿框是目标的检测，还款阿甘是其他同样拥有高置信度的重叠的亚窗口。
Blaschk指出，只考虑产生最大置信度分数的那个亚窗口是有问题的，因为其可能不是最佳结果，其会导致其他局部最大值结果被忽视掉。所有引入非最大值抑制策略就很合适，可以用来识别有关的局部最大值。
重叠度计算：
算法策略：
使用阶层式分群演算法（ hierarchical clustering algorithm ）：
1。计算所有置信的边界框之间的两两重叠度。
2。从一个边界框开始，搜寻最近的边界便借款， 如果这个距离小于给定的
中止阈值，我们就把这个框放进同样的集群中，而且，如果其中一个边框已经在集群中了，我们就会合并这些集群。
如果重叠率高于中止阈值（？？？？？为什么是重叠度高）
，我们就把他们放进不同的集群中。
3。然后进行到下一个边界框，我们使用0.5作为
中止阈值。
detection汇总：
各个部分计算量需求：
detection递进算法 ：
3 Learning：
由于tracking和detection是平行同步运行的，而Learning就是去结合这两个方法的输出变成一个唯一的结果。
首先，除了背景模型和方差滤波器的阈值不是自适应的（需要提前给出，无法自适应改变）。 集成分类器和模板匹配都是在线训练的。
在Learning中，我们实施了两个P/N-Learning
约束, 第一个约束是在最终结果附近的所有图块都要检测器识别为正样本。而其他图块必须被检测器识别为负样本（即不存在正样本误识别，负样本正识别的错误发生）。
3.1
融合和有效性：
融合递归tracker 结果Rt和置信度detection结果Dt为一个最终结果Bt的算法：
p+Dt detection置信值，p+Rt tracking置信值。
line4，5：当检测器的置信值比跟踪器的高时，然后就会把检测器的响应作为最后结果，这个过程称为
重-初始化过程，line7，否则就把置信度较高的跟踪器结果作为最终结果。对于其他特殊情况，最终结果为空，因为此时目标可能不可见。
valid(Bt) 是表示最终结果Bt的正确性（表征着对最终结果的高度置信）。只有valid(Bt)是true，接下来的学习更新步骤才会进行。
最终结果是否有效（valid(Bt) ），有几个条件：
1，跟踪器没有被检测器
重-初始化 。line4
2，跟踪器的置信值高于上阈值 theta+ 。line8
3，或者在
前一帧的结果是有效的情况下（valid(Bt−1)=1）跟踪器的阈值高于下阈值theta-。line10
上阈值 theta+表示结果属于正样本集合。
下阈值 theta-（=0.5）表示结果属于负样本集合。
3.2 P/N-Learning ：
一个半监督学习，既有标记的样本也有未标记的样本。
在p/nlearning中，这里有两种约束：
P-约束：识别哪些被错误分为负样本的样本（实际应该是正），并把其放入正样本集合中，（纠正漏检）。P约束要求所有与最终结果高度重合（>60%)的图块必须被分类为正样本。
N-约束：识别哪些被错误分为正样本的样本（实际应该是负），并把其放入负样本集合中，（纠正误检）。N约束要求所有与有效的最终结果不重合(<20%)的必须被分类为负样本 。
PN约束
Xu：未标记样本，Xl：标记过的样本，Xc：分类错误的例子，Xt：用于训练分类器样本。R：滑窗亚窗口空间。
流程：
1。xu经过分类器，给定标签Yu-》Xu。
2。P/N约束根据准则，识别分类错误的Xc，并给定标签Yc-》Xc。
3。Xl与Xc一起作为训练集，进入训练模块。
4。训练结果用于更新分类器。
P/N算法流程：
A：置信度高，学习在进行，但是没有更新正样本库，B：正样本库更新，C：置信度地狱下阈值，结果无效，学习不进行 D：虽然D在上下阈值之间，但是前一帧结果无效，故不满足结果Bt有效的条件3，所有结果无效，不学习无更新。
P(y = 1 | Fk)：
随机撅中正样本概率分数P(y = 1 | Fk)的计算方法：
PFk是P-约束在当前特征提取中应用的次数，NFk是N-约束应用的次数。
3.3 算法主循环：
3.4 其他人总结Learning：
（1）初始化
1 在扫描网格中选择距离初始目标框最近的10个方框，在每个方框的内部进行20次几何变换（±1%偏移和尺度变化，±10%平面内旋转), 则10个box产生200个仿射变换的方框，作为集成分类器的正样本Px；
2 目标框外的其他图像块都是负样本，将其中方差大于阈值的图像块都加入集成分类器的负样本Nx；
3 初始化后验概率。
（2）P-约束
P-expert根据在线模型评估跟踪器结果的可靠性。如果当前位置可靠，则生成一组正样本去更新目标模型和集合分类器。生成正样本的方法与初始化时类似，但是只生成100个正样本。
（3）N-约束
N-expert 生成负训练样本。如果跟踪器结果可靠，那么距离目标位置较远（重叠度 < 0.2）的方框将被标注为负样本。