在该阶段，对已存的目标追踪算法出现了两种比较公认的分类，一种是基于生成模型的方法，一种是基于判别模型的方法。在第一阶段中的方法都属于前一种，而基于判别的方法是指通过分类来做跟踪，也叫检测跟踪（Tracking-by-
Detection）。
通过机器学习方法，提取图像特征，并训练分类器进行分类，在下一帧用训练好的分类器找到最优区域。该阶段，经典的判别类方法有Struck和TLD。
《Struck:Structured Output Tracking with Kernels》是Sam Hare, Amir Saffari, Philip H.S.Torr等人于2011年发表在Computer Vision (ICCV)上的一篇文章。Struck算法(下图左手边)主要提出一种基于结构输出预测的自适应视觉目标跟踪的框架，通过明确引入输出空间满足跟踪功能，能够避免中间分类环节，直接输出跟踪结果。同时,为了保证实时性，该算法还引入了阈值机制，防止跟踪过程中支持向量的过增长。
与传统方法不同，其新思路在于：
1）试图通过学习一个分类器来从局部背景中区分出目标对象。
2）使用在线结构输出SVM学习方法来解决跟踪问题，提出学习一个预测函数来直接估计帧之间的变化。
3）在需要添加一个新的支持向量时，支持向量的数目已经达到阈值，则就需要移除一个合适的支持向量，并潜在地调整仍存在的支持向量的系数以弥补移除的损失。
Tracking-Learning-Detection（TLD）是Zdenek Kalal提出的一种对视频中单个物体长时间跟踪的算法。我主要会根据他在2010年发表的论文《Tracking-Learning-Detection》来分析TLD算法的原理。
正如名字所示，TLD算法主要由三个模块构成：追踪器（tracker），检测器（detector）和机器学习（learning）。作者提出把追踪器和检测器结合使用，同时加入机器学习来提高结果的准确度。
追踪器的作用是跟踪连续帧间的运动，当物体始终可见时跟踪器才会有效。追踪器根据物体在前一帧已知的位置估计在当前帧的位置，这样就会产生一条物体运动的轨迹，从这条轨迹可以为学习模块产生正样本（Tracking->Learning）。
检测器的作用是估计追踪器的误差，如果误差很大就改正追踪器的结果。检测器对每一帧图像都做全面的扫描，找到与目标物体相似的所有外观的位置，从检测产生的结果中产生正样本和负样本，交给学习模块（Detection->Learning）。算法从所有正样本中选出一个最可信的位置作为这一帧TLD的输出结果，然后用这个结果更新追踪器的起始位置（Detection->Tracking）。
学习模块根据追踪器和检测器产生的正负样本，迭代训练分类器，改善检测器的精度（Learning->Detection）。
追踪模块是作者所提出的Median-FLow，是光流的一种改进。首先在上一帧t的物体包围框里均匀地产生一些点，然后用Lucas-Kanade追踪器正向追踪这些点到t+1帧，再反向追踪到t帧，计算FB误差，筛选出FB误差最小的一半点作为最佳追踪点。最后根据这些点的坐标变化和距离的变化计算t+1帧包围框的位置和大小。
学习模块是提供了P-N学习一种半监督学习方式。
P专家（P-expert）：检出漏检（false negative，正样本误分为负样本）的正样本，其作用是寻找数据在时间上的结构性，它利用追踪器的结果预测物体在t+1帧的位置。如果这个位置（包围框）被检测器分类为负，P专家就把这个位置改为正。也就是说P专家要保证物体在连续帧上出现的位置可以构成连续的轨迹；
N专家（N-expert）：改正误检（false positive，负样本误分为正样本）的正样本其作用是寻找数据在空间上的结构性，它把检测器产生的和P专家产生的所有正样本进行比较，选择出一个最可信的位置，保证物体最多只出现在一个位置上，把这个位置作为TLD算法的追踪结果。同时这个位置也用来重新初始化追踪器。
检测模块是级联分类器，包含三个类别。第一个图元方差分类器，通过方差比较排除一半以上的样本。第二个集成分类器，通过随机蕨来提供一个分类准则，排除概率低的样本。第三个是最近邻分类器，计算新样本的相对相似度，取相似度高的为检测样本。
TLD的工作流程如下图所示。首先，检测器由一系列包围框产生样本，经过级联分类器产生正样本，放入样本集；然后使用追踪器估计出物体的新位置，P专家根据这个位置又产生正样本，N专家从这些正样本里选出一个最可信的，同时把其他正样本标记为负；最后用正样本更新检测器的分类器参数，并确定下一帧物体包围框的位置。
参考链接
Struck跟踪原理：https://blog.csdn.net/App_12062011/article/details/52
220566
SVM参考：https://blog.csdn.net/v_july_v/article/details/7624837
TLD原理：http://johnhany.net/2014/05/tld-the-theory/
