看来人机交互不是我想象的那么简单的，还是要花很多的功夫来打基础的。于是再来学习Tracking相关的一些文章算法。

在认真的学习了压缩跟踪（CT）以后，确实觉得自己对Tracking有了比较好的了解。但是看了在测试集上面的效果，被欺骗了原来CT的效果在真实的摄像头上面是很差劲的。唯一的优点就是快。

因此，还得回来学习一些其他的精度比较高的方法！这里选择了Struck。是大牛学长推荐的。同时本文使用了非线性的SVM算法，也想顺便的学习一下。

文章代码的位置：http://www.samhare.net/research  表示我还没进去，但是我找到了其他地方的。

总体的说一下这篇论文的创新点：

1. 采用分类较准确的SVM分类，效果应该会比贝叶斯，adaboost好；但速度方面应该不行（我们可以在这个方面改进）；

2. 没有直接输出预测的标签，而是输出object的各种transformations。然后从中选出最好的变换；

3. 对于训练的样本不是采用CT一类的离object很近的就是正，很远就是负。而是计算overlap，大于某个阈值的认定为正样本，小于某个阈值的认为是负样本。而在这个中间的标签认为是0；

4.使用高斯核函数；

5. 支持向量（support vector）的个数有限制。那种对权重影响最小的support vector就丢掉。

这篇论文的细节我还要对照论文代码在看一下，希望通过这篇论文能够让我知道精度比较高的Tracking的基本的处理方式是什么。最好是让我可以在现在我熟悉的框架里面去修改。另一个方面，能够让我知道SVM在CV里面是怎么用的。

再者，我最终的目标不变，我要做人机交互！欢迎共同探讨！

iker不断的更新。

目标跟踪学习系列八：Struck：Structured Output Tracking with Kernels（2011 ICCV）