转载http://guoyb.com/Tech/41.html
MIL Tracker项目主页：http://vision.ucsd.edu/~bbabenko/project_miltrack.shtml
MIL Tracker Matlab Code：http://whluo.net/matlab-code-for-mil-tracker/
MIL,全称 Multi-Instance Learning，是机器学习领域的一种分类器设计方法。在MIL Tracker中，我们构造一组单例的概率函数（即分类器），组成一个分类器的集合，用MIL学习的方法确定使用哪几个分类器的组合最优，然后再对每一个粒子进行分类，比较类似于Adaboost算法。
具体的：
1. MIL的分类准则是这样的：不是像传统的分类器那样对于每一个实例（instance）进行分类，而是把若干个实例归到一个包（bag）里，对这样的包进行分类。分类的准则是，只要这个包里面有一个正样本实例，那么这个包就是一个正样本；只有这个包里的样本都是负样本，那么这个包才是负样本；
2. 这篇文献基于上述MIL分类准则，构造了数量化的用于判断一个包是否是正样本的判别函数P，这个判别函数是由其中的单例样本的判别函数pi构造来的：
P = 1-(1-p1)*(1-p2)*...*(1-pn)
容易验证，这样的判别函数满足上述MIL分类准则
3. 对于每一个样本分类器小p，都是boosting算法得到的H强分类器的sigmod函数（即1/(1+e^(-x))。
4. 对于boosting产生对于单例样本的强分类器H,是这么产生的：
a) 维持一个弱分类器池，里面有M个弱分类器；对于每一帧，我们都重新训练这M个弱分类器
b) 在训练这M个弱分类器的过程中，我们用bag的lable代替里面所有instance的lable（尽管这样做是不太准确的）
c) 文章中每一个弱分类器都是用一种haar-like特征向量的高斯分布来模拟的(总共设计了M个haar-like特征模板）。根据之前的若干个正样本的均值和方差构造出高斯分布，然后求新到的样本特征向量的高斯分布下的概率，来决定其lable
d) 对于每一个单例弱分类器，都可以用它求得一个bag是否是正样本的概率（用之前sigmod函数以及P的计算公式）(p_i,m)，将所有的bag的(p_i,m)按照yi*log(p_i,m)+(1-yi)*log(1-p_i,m)求和起来。取使其最大的那个弱分类器。之后依次迭代，取得前K个分类器作为强分类器。注意，在这里，从第二个分类器开始，sigmod函数的自变量将变成已经得到的若干个（比如说r个）弱分类器的和与当前这个弱分类器的总和。
e) 这里用到的弱分类器（高斯分布）的均值和方差均采用在线更新的方式