MTT和S-MTT 跟踪器阅读总结

文章：Robust Visual Tracking via Structured Multi-Task Sparse Learning

作者：Tianzhu Zhang · Bernard Ghanem · Si Liu ·Narendra Ahuja

来源：Int J Comput Vis (2013)

1. 总述

本文提出了MTT和S-MTT跟踪器，这两种跟踪器可以根据参数的不同生成好多个跟踪器。该跟踪器也是在粒子滤波的框架下，采用字典模板对粒子进行稀疏表示，最后选择重构误差最小的样本作为当前帧的跟踪目标。说到这里，大家肯定会想这不就是L1的跟踪器吗？对，没错，思想跟L1跟踪完全一样，并且文中证明L1跟踪器是本文方法的一种特殊情况。 

本文的主要思想：作者把对每个粒子的表示看成单个任务，因而L1跟踪器对单个粒子每个粒子求得一个系数表示，因而它是单任务的。而文中作者任务，在每一帧图像中，由于所有的样本都是在上一帧的跟踪目标周围采样的，因而对这一帧中的所有任务，都应该是稀疏的，并且所用的字典模板应该是相同的。基于这样的思想，作者寻求一种对所有粒子的联合稀疏表示，这就是多任务学习思想，称为MTT方法，而联合稀疏表示的实现是通过添加约束Lp,q 范数实现的。进一步，作者认为空间距离较近的粒子应该具有更强的联合稀疏性约束，因而作者在MTT的基础上加入了