Multiple Hypothesis Tracking Revisited

来源：ICCV2015

创新点：

本文提出了一种新颖的MHT方法，该方法包括长期的外观建模，使用来自深度神经网络的特征，证明了经典的MHT能惊人的接近state-of-the-art的方法。为充分利用MHT在开发高阶信息的长处，对于每个跟踪假设，引入一种在线训练外观模型的方法。外观模型可以通过正则化的最小二乘法有效地学习，对于每个假设分支只需要一点额外的操作。

MHT是一种经典的算法，该算法建立a tree of potential track hypotheses for each candidate target，因此可以为数据关联问题提供一个系统的解。每条轨迹的可能性被计算，并且轨迹中最有可能的连接被selected。更为重要的是，MHT可使用高阶信息（如long-term motion and appearance model），因为整个跟踪假设可以在计算相似性的时候被考虑进来。

MHT在雷达跟踪领域非常popular，然而在visual tracking问题上，往往被看作是太慢或者内存受限，为达到practical，需要many pruning tricks，应用还是蛮受限的。而如今，由于tracking-by-detection的方法和effective feature representations的发展，为MHT方法创造了新的机会。

一般，MHT方法建立a hypothesis tree over several frame and aims to find the optimal assignment after heuristic pruning.