中科院光電技術(shù)研究所在目標跟蹤研究上取得新進展：在多實例在線學習目標跟蹤的基礎上，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)的學習率和動態(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)的目標跟蹤算法，由于模板輕微的不準確，導致目標的漂移。多實例在線學習算法能夠很好地解決目標漂移的問題，但該算法在強分類器的跟新策略復雜，且和分類器的跟新速度與外觀模型的變化不匹配，導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)的學習率（匹配程度越低，要加速學習，反之亦同）和變化的采樣半徑和搜索窗口。實驗表明新方法具在復雜場景下表現(xiàn)更穩(wěn)定和更高效。
算法流程圖