多尺度特征的Boosting跟踪与POM结合的多摄像头单目标跟踪
论文来自：https://www.taodocs.com/p-37354840.html。 知识点：Boosting跟踪，POM(probabilistic occupancy map)，多尺度HOG特征。
Boosting跟踪：由n个弱分类器，选择器与强分类器组成，主要以目标四周背景为负样本，跟踪目标为正样本，对分类器进行训练。
- n个弱分类器，分别与目标的一个特征相对应，以略小于0.5的概率区分正负样本。
- n个选择器，根据错误率的大小选择弱分类器。
- 强分类器：由n个选择器加权求和得到，权重由弱分类器的分类的错误率决定。
搜索策略：如下图所示，图中红框代表初始目标区域，黄色框是搜索区域(两倍)，灰色为前一帧的目标，图中黄色框按照一定的像素间隔搜索，在每个搜索框上计算特征并匹配，最后根据置信图的最大值得到目标位置，然后对分类器进行训练。
缺点是物体遮挡后，造成跟踪失败。
POM(probabilistic occupancy map)：核心内容是计算出各个网格位置上目标存在的概率，利用多个摄像头监控平面场景，pom算法首先要等间隔地将地面划分，每个格点代表相应的位置。然后根据输入的二值前景图像，依据数学框架在每个时间帧上算出网格位置（3D）上存在目标的概率，它能在摄像机试图与3D平面上对目标进行精确定位。
例子如下：
前景检测算法：主要分为帧间差分法和背景差分法，其中背景差分法通过对背景进行建模来精确近似背景，应用广泛的有滑动平均模型，高斯混合模型GMM，视觉背景抽取ViBE等建模方法。以下展示四种前景检测算法对POM的影响。
多尺度HOG特征：根据目标信息随机选取block的尺度，位置和长宽比例作为计算hog特征的模板。
总体框架如下：
