目标跟踪学习系列8 Struck: Structured Output Tracking with Kernels (2011 ICCV)

感觉人机交互并非想象中那么简单，并非想象中那么简单。
为了打好数学基础，
于是再来深入学习Tracking相关的一些算法文章。

在认真学习了压缩跟踪（CT）之后，自己对Tracking也有了深入的理解。然而，在测试集上的表现令人失望——误以为CT在真实摄像头上的效果很好实则不然。唯一的优势就是速度快。

由此可见，或许可以回去学习其他一些精度较高的方法作为参考。采用Struck作为推荐选择，并且是大牛学长强力推荐的一份资料。同时，在本文中使用了非线性SVM算法，并打算进一步深入学习这一技术。

文章代码的具体位置位于http://www.samhare.net/research这一链接位置。目前尚未访问该位置。但随后又发现了其他资源

总体的说一下这篇论文的创新点：

选择分类精度较高的SVM方法进行数据处理后发现其性能可能优于贝叶斯方法及Adaboost；然而就速度而言可能不够理想（我们可以在这个方面进行进一步优化）

不直接将预测结果作为标签输出，而是为每个object生成多种变换形式。随后，在这些变换中选择最优的一个。

传统的方法是根据物体周围距离较近与否进行分类处理：与物体距离较近（接近于CT类型）且位置较为接近的对象被归类为正类（positive），而远离物体的位置则被归类为负类（negative）。然而这种方法忽略了重叠区域的信息；另一种改进的方法则是通过计算两