基于自适应颜色属性的目标追踪
Adaptive Color Attributes for Real-Time Visual Tracking
基于自适应颜色属性的实时视觉追踪
3月讲的第一篇论文，个人理解，存在很多问题，欢迎交流！
这是CVPR2014年的文章。名字翻译为基于自适应选择颜色属性的实时视觉跟踪。首先理解什么是Adaptive color attributes，文章中colorattributes把颜色分为11类，就是将RGB三种颜色细化为黑、蓝、棕、灰、绿、橙、粉、紫、红、白和黄共11种。那么如何做到adaptive（自适应）？就是实时的选择比较显著的颜色，这个选择的过程是一种类似PCA（主成分分析）中降维的思想，将11维特征降为2 维（代码里使用的就是2)，文章重点之一就是这个。
主成分分析：主要用于特征的降维。
PCA是指它可以从多元事物中解析出主要影响因素，揭示事物的本质，简化复杂的问题，是寻找最小均方意义下、最能代表原始数据的投影方法。主成分分析的主要思想是寻找到数据的主轴方向，由主轴构成一个新的坐标系，这里的维数可以比原维数低，然后数据由原坐标系向新的坐标系投影，这个投影的过程就是降维的过程。
摘要
视觉跟踪在计算机视觉中是一个很有挑战性的问题，现在最好的（state-of-art) 视觉跟踪器或者依赖于光照信息或是使用简单的颜色表示来描述图片。与视觉跟踪不同的是，在目标识别和检测问题中，结合光照信息和复杂的颜色特征可以提供非常好的表现。由于跟踪问题的复杂性，所需要的颜色特征应该被有效的计算并且拥有一定的光学不变形同时保持较高的辨别力。
这篇文章研究基于检测的跟踪（tracking-by-detection）结构下颜色属性的贡献值。我们的结果表明颜色属性对于视觉跟踪问题具有优越的表现。我们进而提出一种自适应低维颜色属性的转化。用41个有挑战性的基准颜色序列进行基于量化和属性评估方法的评价。该方法比基于光照强度的跟踪器提升了24%的距离精度。此外，可以得到我们的方法胜过最先进的追踪方法，并且速度可达到100fps以上。
1.Introduction
目标跟踪就是在图片序列中找到目标的位置，（目标是提前标明的，即在第一帧给出），在计算机视觉中是最优挑战性的问题，在许多应用中扮演了至关重要的作用，比如，人机交互，视频监控，机器人。跟踪问题之所以复杂是因为，跟踪过程中可能发生光照改变，遮挡，背景干扰，跟踪目标发生形变。本文调查了如何使用颜色信息来减小上述问题的影响。
现在最先进的跟踪器或是使用光照强度（RGB值）或是使用纹理信息。尽管现在在视觉跟踪方面已经取得了很大的进展，但是对于颜色信息的使用还是仅限于简单的颜色空间转换。和视觉跟踪不同的是，在目标检测方面，复杂的，巧妙设计的颜色特征显示了非常好的效果，而利用颜色信息做视觉跟踪是一件很难的事情。颜色测量结果在整个图片序列中变化很大，原因包括光照改变，阴影，相机和目标几何位置的变化。对于彩色图像在上述情况下鲁棒性的评价已经用在 图像分类，行为识别上，因此我们使用现在的评价方法来评价对目标跟踪这个问题的颜色转换的方法。
现在处理视觉跟踪问题的方法有两种，叫生成方法和判别方法（看过机器学习的人应该很熟）。生成方法不断去搜索和目标最相似的区域，这类方法或者基于模板匹配或是基于子空间模型（子空间这个概念有点唬人，我觉得就是将原始的目标，分为好多层，就像ps里的图层一样）。判别方法旨在将目标从背景中区分出来，就是将跟踪问题变为二分类问题。生成方法只使用了目标的信息，而判别方法既使用目标信息也使用背景的信息，找到一个将目标区分出来的分类界限。这种方法在很多基于tracking by detection框架的算法中使用，即使用目标和目标附近的环境训练出一个online的分类器。
贡献：本文使用颜色属性扩展了csk跟踪器，并取得了良好的表现。csk的模型更新机制在处理多通道信号时，是次优的，为此我们调整了原来csk的更新机制，在实验中证明了新机制在多通道跟踪中的有效性。高维的颜色属性导致计算复杂度上的增加，可能限制跟踪器在实时应用和机器人中的使用，为此我们提出了自适应的维度下降方法，将原始的11维下降到2维，这样跟踪器的帧率就可以达到100fps以上并且不影响精确度。最后我们做了大量的评价证明了。
2.The CSK Tracker
CSK是在一个单独的图像碎片中从目标中得到核心的最小方形分类器。首先，这篇文章使用的决策函数是一个结构风险最小化的函数：
文章中：
具体的细节后面再说。
Vapnik等人在多年研究统计学习理论基础上对线性分类器提出了另一种设计最佳准则。其原理也从线性可分说起，然后扩展到线性不可分的情况。甚至扩展到使用非线性函数中去，这种分类器被称为支持向量机（Support Vector Machine，简称SVM）。支持向量机的提出有很深的理论背景。
支持向量机方法是在近年来提出的一种新方法。
有希望在的地方，痛苦也成欢乐
