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的基础上加入了图正则化约束，来实现结构多任务跟踪，即S-MTT方法。

本文的主要贡献：

（1）提出了多任务稀疏学习方法，探索各任务间的全局和局部结构。

（2）证明L1跟踪器是本文所述方法的一种特殊情况。

（3）采用APG方法高效求解MTT和S-MTT问题。

2. 技术细节

（1）粒子滤波

同L1跟踪一样，本文也采用的是粒子滤波的框架，并且状态参数也采用的仿射参数。

（2）MTT

本文大部分都与L1跟踪器相同，只是在求解多任务稀疏表示时，需要优化的目标函数不同。MTT是一次性求得对所有粒子的稀疏表示，稀疏约束项采用的Lp,q混合范数。MTT需要优化的目标函数如下：

其中：

（3）S-MTT

在这里，除了加入联合性稀疏约束外，探索一种局部结构性约束，这是通过图正则化项实现的。图正则化项如下：

因此，需要优化的目标函数为：

（4）APG优化方法

本文中对目标函数的优化采用的是APG方法（目前也没理解）。主要包括两个过程：梯度影射步骤和聚合过程。具体求解过程可以参照原文献。

（5）模板更新

本文中模板更新采用的是和L1跟踪器中相同的方法。

3. 总结

这篇文章整体相对于L1跟踪器效果要好，因为加入了更强的约束，同时速度相对L1较快。但是，对于此类方法，速度还是一个很大的瓶颈，在实时中应用还是有些困难。

总结略微粗糙，期待更大的提高。