中科院光电技术研究所在目标跟踪研究上取得新进展：在多实例在线学习目标跟踪的基础上，采用新的分类器更新策略提高了跟踪算法的效率；采用动态的学习率和动态更新采样半径和搜索半径，提高了算法的稳定性和准确性。该成果论文被AOMATT2016录用。

　　传统的目标跟踪算法，由于模板轻微的不准确，导致目标的漂移。多实例在线学习算法能够很好地解决目标漂移的问题，但该算法在强分类器的跟新策略复杂，且和分类器的跟新速度与外观模型的变化不匹配，导致算法效率低且准确性较差。该研究针对算法上述缺陷做出了相应的改进：利用弱分类器对正、负样本包的打分来评价弱分类器性能，从而筛选出K 个性能最优的弱分类器，由此明显地提高算法效率；利用模板与实际匹配程度采用动态的学习率（匹配程度越低，要加速学习，反之亦同）和变化的采样半径和搜索窗口。实验表明新方法具在复杂场景下表现更稳定和更高效。 

　　算法流程图