1、MTT算法
Multi-Task Tracking (MTT)跟踪算法,在粒子滤波框架下,将目标跟踪作为多任务稀疏学习问题,粒子模型为动态更新地字典模板线性组合。学习每个粒子的表示被考虑为一个单独的任务。学习问题可以使用一个加速梯度(APG)的方法解决。MTT有计算上的吸引力,与L1跟踪器相比,提高了跟踪的效率。
1.1跟踪目标的多任务表示
在多任务学习(MTL)框架,多任务共享特征的依赖关系,或联合解决参数学习以利用它们的内在关系。把跟踪问题视为MTL问题,学习粒子表示视为一个单独的任务,一般,粒子表示相互独立的计算,如L1跟踪器,在MTT中,在MTL环境下联合表示粒子。
在目前跟踪状态周围,按照zero-mean高斯分布,随机采样粒子。
1.2通过混合模式联合稀疏
联合稀疏鼓励所有的粒子表示单独稀疏,共享相同的字典模板。近年来,联合稀疏被用于解决MTL问题。
2、LSK算法
利用局部稀疏外观模型和K-Selection的视觉跟踪算法,K-Selection是一种新的稀疏字典学习方法。
3、SCM算法
基于稀疏协同模型的鲁棒目标跟踪算法。
利用一种全局模板和局部表示的鲁棒外观模型。
提出一种基于稀疏的判别分类器SDC和基于稀疏的生成模型SGM。在SDC模块,介绍了一种有效的方法计算置信值,与背景相比,分配更多的权重给前景。在SGM模块,提出了一种新的基于直方图的方法