Learning Collaborative Sparse Representation for Grayscale-Thermal Tacking

摘要：
1、集成多个不同但互补的特征表示是提高跟踪性能的有效方法。
2、如何通过自适应融合灰度和热视频信息，进行鲁棒目标跟踪，提出了一种新的在线跟踪协同算法。
在贝叶斯滤波框架中，提出了一种基于协同稀疏表示的自适应融合方案（以防止在灰度或热视频中从先前的稀疏跟踪器继承下来的外观污染的鲁棒性，引入权值变量来表示模态的可靠性，通过在线方式共同优化不同模态的稀疏码和可靠权值，寻求一种用于自适应目标跟踪的协同稀疏表示。协同稀疏表示能够处理单个源的偶尔扰动或故障，将每种模态的稀疏表示作为一个单独的任务，其方法本质上是一个多任务学习问题）。
3、提供了一个综合的视频基准，其中包括50个灰度热序列及其地面真值标注。
4、通过对定量结果的分析，提出了灰度+热跟踪的基本观点和潜在的研究方向。

1、介绍

2、相关工作

3、所提出方法细节

4、提出的(GRAYSCALE-THERMAL)基准与分析

5、实验结果

*

本翻译仅供参考

参考文献：Learning Collaborative Sparse Representation for Grayscale-Thermal Tacking(http://chenglongli.cn/people/lcl/journals.html)