#追踪之谜
Tracking是计算机视觉非常活跃的研究领域，每年在CVPR、ICCV、ECCV和PAMI等国际会议和期刊上都有大量相关的文章发表。早时不解风情，对着顶刊和顶会的论文捋了一遍，不得要领，花了不少时间，却总是一无所获。随后转去搞深度学习，对着教程实现一遍后自觉功力大涨，最重要的是换了台i7 16G RAM + 128 SSD + GTX850M的笔记本，写代码的速度大有提升，分析代码的能力突飞猛进，思路也逐渐打开，猛然间顿悟追踪的秘密。
追踪其实是非常窄的领域，基本的出发点其实很简单，就是只利用第一帧的信息在后续帧中持续的锁定目标的位置。这个任务对人来说真是再简单不过了，几岁的小孩不费吹灰之力就可以完成这个任务，但对于计算机来说却是犯了大难。我们首先分析下追的含义。什么是“追”呢，我们经常说追“女孩子”、“追女神”，简直异曲同工么，所以没搞到女朋友的学术屌丝们不要抱怨发不了论文了，你根本就没得到“追”的精髓。
其次是目标，对于人来说很容易理解，不就是某个人、某辆车亦或是某只鸟么，但图像这些东西在计算机中都是以像素来表示的，也就是说计算机看到的只是一堆数字，你得告诉计算机哪个是要追踪的目标，这也是为什么追踪都要给出第一帧信息的原因，连女神都不知道长什么样，谈何追啊。想想我们是怎么定义“女神”的吧，漂亮的脸蛋、长得高、长得白、腿长、胸大、屁股翘、身材好，白富美，甜素纯......不一而足，（原谅我，有点俗了，被人说不食人间烟火的感觉也不是很好），而这些也就是我们提取的女神的特征，我们不就是靠着这些特征按图索骥，不自觉的关注那些高颜值的女神么。不要笑，追踪器也是这么做的，这也是提取特征后计算相似性取最大值的步骤。
早期的追踪器比较简单，按照上面的思路也很容易理解，可是后来人们发现女神变化多端，一卸妆就认不出原来的人了，而其背景（那些素面朝天的挫绿叶）就相对简单些，一个很自然的想法就是何必费劲心思找最漂亮的呢，只要把女神和女屌丝分开不就得了么。那怎么分呢？机器学习的功底不就派上用场了么，所谓磨刀不误砍柴工，把深度学习搞定后追踪用的那些分类器真是小菜一碟。我们可以收集女神和女屌丝的样本，训练一个分类器，让分类器告诉我们哪个是女神不就好了么。有人可能要问，分类器那么多，应选哪个呢？不错，能问这个问题说明你已经把握了追踪的基本要领，有前途。
机器学习界的兵器可谓五花八门，从轻量型的感知器，到重量级的随机森林、势不两立的SVM和Boosting、名噪一时的概率图模型，以及近来的新贵深度学习，每一个都恨不得逐鹿中原，号令武林。在还没摸索出一条通天大道之前，只有一个字”试“，这个字简直道尽了追踪界20余年的沧桑。
##参考：