中國科學(xué)院光電技術(shù)研究所在目標(biāo)跟蹤研究中取得新進展：在多實例在線學(xué)習(xí)目標(biāo)跟蹤的基礎(chǔ)上，采用新的分類器更新策略提高了跟蹤算法的效率；采用動態(tài)的學(xué)習(xí)率和動態(tài)更新采樣半徑和搜索半徑，提高了算法的穩(wěn)定性和準確性。該成果論文被AOMATT2016錄用。

　　傳統(tǒng)的目標(biāo)跟蹤算法，由于模板輕微的不準確，導(dǎo)致目標(biāo)的漂移。多實例在線學(xué)習(xí)算法能夠很好地解決目標(biāo)漂移的問題，但該算法在強分類器的跟新策略復(fù)雜，且和分類器的跟新速度與外觀模型的變化不匹配，導(dǎo)致算法效率低且準確性較差。該研究針對算法上述缺陷做出了相應(yīng)的改進：利用弱分類器對正、負樣本包的打分來評價弱分類器性能，從而篩選出K 個性能最優(yōu)的弱分類器，由此明顯地提高算法效率；利用模板與實際匹配程度采用動態(tài)的學(xué)習(xí)率（匹配程度越低，要加速學(xué)習(xí)，反之亦同）和變化的采樣半徑和搜索窗口。實驗表明新方法在復(fù)雜場景下表現(xiàn)更穩(wěn)定和更高效。