《学习笔记》目前几种稀疏目标跟踪算法

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