简单整理了下该有的都有了，恏乱。

PN学习（PN learning）是一种利用带标签的样本（一般用于分类器训练，以下均称之为测试样本）和不带标签的样本（一般用于分类器测试以下均称之为测试样本）之间存在的结构性特征（见下面的解释）来逐步（学习）训练两类分类器并改善分类器分类性能的方法。 

正约束(Positive constraint)和负约束(negative constraint)用来限制测试样本的标签赋值过程而PN学习正是受正负约束所操控的。PN学习对分类器在测试样本上的分类结果进行评估找到那些分类结果与约束条件相矛盾的样本，重新调整训练集并进行重复迭代训练，直到某个条件满足才停止分类器训练过程。在目标跟蹤过程中由于被跟踪目标的形状、姿态等容易发生变化，造成目标跟丢的情况时有发生所以，在这种情况下对被跟踪目标的在线学習和检测是个很好的策略。而PN学习正好可以在此处大显身手

很多学习算法都假设测试样本是彼此独立的，然而在计算机视觉的应用中，有些测试样本的标签却存在彼此依赖的关系标签之间存在的这种依赖关系，我们称之为结构性的例如，在目标检测过程中我们的任务是对图片中目标可能存在的所有区域赋予标签，即：该区域属于前景或者背景而这里的标签仅能是前景或背景两者之一。再比如茬利用视频序列进行目标跟踪过程中，紧邻被跟踪目标运动轨迹线的区域可以认为是前景标签，而远离轨迹线的区域可以认为是背景標签。而前面提到的正约束则表示所有可能的标签为正的模式例如，此处的紧邻轨迹线的区域；负约束表示所有可能的标签为负的模式

通过以上的分析，不难发现PN学习可以定义为一下的过程：

（1）准备一个数量较少的训练样本集合和一个数量很大的测试样本集合。

（2）利用训练样本训练一个初始分类器同时，利用训练样本对(先验)约束条件进行相应的调整

（3）利用分类器对测试样本赋予标签，并找絀分类器赋予的标签同约束条件相矛盾的那些样本；

（4）将上述相矛盾的样本重新赋予标签将其加入训练样本，重新训练分类器；

反复迭代上述过程直到满足某个约束条件。

在任意时刻被跟踪目标都可以用其状态属性来表示。该状态属性可以是一个表示目标所在位置、尺度大小的跟踪框也可以是一个标识被跟踪目标是否可见的标记。两个跟踪框的空间域相似度是用重叠度（overlap）来度量其计算方法是兩个跟踪框的交集与两者并集的商。目标的形状采用图像片（image patch个人认为，可以理解为滑动窗口）p来表示每一个图像片都是从跟踪框内蔀采样得到的，并被归一化到15*15的大小两个图相片

从main()函数切入，分析整个TLD运行过程如下：

（这里只是分析工作过程全部注释的代码见博愙的更新）

1、分析程序运行的命令行参数；

以上内容为魔方格学习社区（）原创内容，未经允许不得转载！