跟踪：根据一组给定的图像序列，对图像中运动目标形态形成的一种推理。
方法：利用测量值以及动力学模型，推断出运动目标的状态。
应用：运动捕捉、从运动中识别物体、监视、定位
重点：测量值——隐藏在大量无关的信息中
解决办法：建立检测器11.1
利用物体的刚性及移动连贯性11.2
利用概率方法去权衡动态预测值与测量值11.3，并用动态测量值判别11.4
非线性动力学模型的近似概率模型11.5
11.1简单跟踪策略
基于检测：强模型，每一帧中检测出目标——连接形成轨迹——分配目标检测器响应到各轨迹
分配：代价模型的建立（一个外观特征距离）——贪婪算法、求解二分图匹配算法
检测跟踪的分配关系
每条轨迹一一一个检测器响应目标跟踪
一些轨迹一一无对应检测器响应删除轨迹(目标消失)
一些检测器响应一一无对应轨迹创建新轨迹(出现新目标)
代价模型的建立
·贪婪算法(分配最近检测器给每条轨迹)
所需条件：检测器可靠、目标数少、间隔合适、运动缓慢
·二分图匹配
基于匹配：目标移动模型，确定目标在第n帧的区域，在下一帧（n+1）搜索区域，进行匹配。
假设是整体区域的平移——跟踪方框——图像的稳定性
确定匹配：利用平移模型建立轨迹，通过核对第一帧与第n+1帧的图像块（使用仿射模型）校正轨迹
11.2匹配跟踪
摘要匹配：整个域的摘要表征
基于流的匹配方法：旧域寻找像素值转换，生成像素集新域，扩展成运动模型。
11.3基于卡尔曼滤波器的线性动态模型跟踪
模型：漂移点、恒定速度、恒定加速度、周期运动
卡尔曼滤波：密度分布正态，均值和协方差可以表示出来
核心思想
通过预测和更新交替进行，获取最佳目标状态。
重要信息来源于预测与观测。
获得的信息状态服从高斯分布。
根据已有高斯分布获取最优值。
前向-后向平滑：考虑目标点的后续动向，实时获得状态的估计，改进估计。
实验设计流程：
1背景建模
2卡尔曼预测
3观测器设计
观测器(CAMSHIFT)
颜色直方图反向投影
Mean-shift 更新
Mean-shift更新窗口大小
11.4数据相关
卡尔曼滤波检测方法：目标速度固定且显著。
数据相关：全局最近邻、概率数据相关
11.5粒子滤波
非线性情况
预测（样本个数以及粒子个数处理，重采样）————校正（先验信息转化为后验）
实验设计流程
1特征提取与匹配
2二维随机扩散
3重要性采样
4重采样
