**：
tld跟蹤系統最大的特點就在於能對鎖定的目標進行不斷的學習，以獲取目標最新的外觀特徵，從而及時完善跟蹤，以達到最佳的狀態。也就是說，開始時只提供一幀靜止的目標影象，但隨著目標的不斷運動，系統能持續不斷地進行探測，獲知目標在角度、距離、景深等方面的改變，並實時識別，經過一段時間的學習之後，目標就再也無法躲過。
tld技術有三部分組成，即
***
、學習過程和檢測器。tld技術採用跟蹤和檢測相結合的策略，是一種自適應的、可靠的跟蹤技術。
tld技術中，
***和檢測器並行執行，二者所產生的結果都參與學習過程，學習後的模型又反作用於
***和檢測器，對其進行實時更新，從而保證了即使在目標外觀發生變化的情況下，也能夠被持續跟蹤。
***
tld***
採用重疊塊跟蹤策略，單塊跟蹤使用lucas-kanade光流法。
tld在跟蹤前需要指定待跟蹤的目標，由乙個矩形框標出。最終整體目標的運動取所有區域性塊移動的中值，這種區域性跟蹤策略可以解決區域性遮擋的問題（分塊）。
學習過程
(online model)15×15的影象塊的集合，這些影象塊來自
***
******
所致的特徵空間將不斷增大，這就是所說的增長事件。為了防止增長事件帶來的雜質(其他非目標影象)
由增長事件帶來的特徵空間的擴張來自於
***，具體如下。
（1）與起始待跟蹤目標影象;
（2）如果當前幀的跟蹤目標影象與前一幀;
***會自動適應背景，而不會很突然地轉移到跟蹤目標上。
修剪事件假設每幀只有乙個目標，當
***和檢測器都認可目標位置時，剩餘的檢測影象
tld在訓練生成分類器
(隨機森林
)的過程中，採用了兩種約束：
p
約束和n約束。
p約束規定與跟蹤軌跡上的目標影象距離近的影象塊為正樣本
;反之，為負樣本，即為
n約束。
pn約束降低了分類器的錯誤率，在一定的範圍內，其錯誤率趨近於零。
檢測器
tld技術設計了乙個快速、可靠的檢測器，它為
***提供了必要的支援。當***
所得的結果失效時，需要用檢測器的結果來補充糾正，並且對
***重新初始化。具體做法如下。
（1）對於每幀同時執行
***、檢測器，
*****出乙個目標位置資訊，而檢測器則可能檢出多幅影象;
（2）決定目標的最終位置時，優先考慮
***所得的結果，即如果跟蹤到的影象與最初的目標影象相似度大於某閾值，就接受該跟蹤結果;否則，將從檢測器的結果中，選用與最初目標相似度最大的影象作為跟蹤結果;
（3）如果為第二步驟中的後者，那麼此時更新
***的最初目標模型，用現選用的跟蹤結果替換原有的目標模型，同時，刪除以前模型中的樣本，以新樣本重新開始。
隨機森林分類器。其選取的特徵為區域的邊緣方向，稱之為
2bitbp特徵，它具有不受光線干擾的特性。特徵通過量化，共有
4種可能的編碼。對於給定的區域，其特徵編碼是唯一的。多尺度的特徵計算可以採用積分影象的方法。
將每乙個圖形塊都用眾多的2bitbp特徵來表示，並把這些特徵分成大小的不同的組，每一組代表了影象塊外觀的不同表示。用於檢測的分類器採用隨機森林的形式。隨機森林由樹組成，而每棵樹是由乙個特徵組構造而成。樹的每個特徵都作為乙個決策結點。 」
。隨著增長事件對正樣本的選取，隨機森林也不斷加入新的「枝
」;修剪事件則相反，它會去掉隨機森林中不用的「枝
」。這種實時的檢測器採用掃瞄視窗的策略：按照位置和尺度掃瞄輸入幀，對每個子視窗應用分類器判斷是否屬於目標影象。
tld技術巧妙地把
***、檢測器和學習過程結合在一起，共同實現目標的跟蹤。
規則引擎研究 Rete演算法（2）
使用rete演算法的模組系統，有四個入口，分別是新增事實 add wme 去除事實 remove wme 新增規則 add production 去除規則 remove production 上面的主要介紹了建立rete網路後新增事實的過程。下面先具體介紹alpha網路的建立和新增事實的過程，然後再...
素數定理相關的研究
a 小於等於n 當a等於0時，上式就是高斯提出的素數定理，當a等於n時上式顯然成立。a越大，上式求出的結果越精確，但是a越大 a到n素數個數約為 上式求解很複雜，黎曼素數計數公式推導過程有介紹上式的求解，太過專業，一般人看不懂吧。我們利用尤拉乘積公式處理，上式約等於 再利用積分處理，上式約等於 上式...
洗牌演算法的研究
在紙牌遊戲中，有個發牌過程，發牌就是把紙牌序列打亂發給遊戲者。要保證發牌是隨機的，這也符合現實中玩牌的過程，洗牌 洗牌 即產生指定資料的隨機序列，將牌序打亂。方法一 思路 將n個數依次放到隨機的位置。關鍵是每次找乙個隨機的位置。1 設定目標陣列為空 置0 1 每次產生乙個0 n 1的隨機數，看這個位...