跟蹤定義：
在一系列的影象中，標註出關於運動物體的可能位置。

一、單目標跟蹤

產生候選box方法：
滑動視窗（窮舉法）即目標附近所有可能的樣本作為候選樣本
為了避免匹配整個影象的box，估計物體的運動（通過運動模型），在下一幀物體可能出現的位置處產生候選box。
粒子濾波（Particle Filter）

如何為候選樣本評分：
三種方式！
1.生成式：模板匹配（需要估計運動模型的），得到patch描述（可以是灰度畫素值，梯度方向直方圖，HOG），根據運動模型估計下一幀影象可能出現的位置，得到一系列的patch並獲取其描述，計算相似度。

2.判別式（針對前景和背景訓練分類器，把跟蹤問題視為分類問題，需要計算特徵和分類器）：
問題就是在下一幀影象如何產生候選box？
傳統的目標跟蹤方法（線上學習）
僅使用一個影象塊來訓練分類器（輸入正樣本和負樣本），相對於離線學習來說，僅使用少量的訓練集，即先前幀的box。

多示例學習（Multiple Instance Learning）
構造正樣本包！即用確定的目標box和在其周圍畫素進行取樣得到的patch來形成包（由於包含確定目標的box，肯定是正樣本包啦），通過正樣本包和負樣本來訓練分類器。通過構造樣本包可以有效地防止形變、遮擋、位置偏移的問題

3.Bag of Patch（使用KNN獲取目標位置，不用訓練分類器，但依舊使用了前一個幀中的正負樣本）
對於預測影象，獲取多個patch(根據運動模型在預測位置周圍獲取)，同前序幀的patch和label做KNN，便可得到預測物件出現的位置。

更新分類器：
僅使用前一幀的跟蹤結果來訓練分類器有可能跟丟了，提出了anchor方法，使用第一幀目標和當前幀的目標來訓練分類器。

二、多目標跟蹤
核心問題：
 Data association
Assignment problems
Discrete combinatorial optimization

具體來說，有兩種方法：
ABT(association based track)和CFT(category free track)

ABT依賴的是預訓練好的detector，用在知道物件是什麼（且物件型別屬於同一種）的跟蹤上。
CFT需要在第一幀進行標註，在後續幀上找到一個Object，是單目標的跟蹤的擴充，相比單目標跟蹤會考慮到多個目標的關係。
關於兩種方法的比較：
當前幀檢測的物件o4對應於上一幀的哪個物件呢？從下圖中方形和三角形的得分差不多，該如何匹配？（每個物件在不同的幀位置形成一個track）