联合优化表示和分类的对象跟踪

—我们提出了一种利用联合的新算法鲁棒跟踪的表示和分类的优化，其目标是最小化最小二乘重构误差和正则化的判罚约束。 在此表述中，对象由基于不完全的局部补丁的稀疏系数字典，学习分类器来区分目标背景中的对象。 在以下位置定位目标对象对于每个框架，我们提出一种确定性方法来解决优化问题。 我们证明了所提出的算法可以被认为是几种跟踪方法的概括有效。 考虑到外观的变化目标和背景，分类器会自适应更新具有新的跟踪结果。 与最新的相比基于稀疏表示的跟踪算法，提出了配方由于使用而具有更大的判别力的背景信息，并且由于使用确定性优化。 定性和定量在各种具有挑战性的序列上进行的实验表明，所提出的算法针对几种挑战性算法具有良好的性能最先进的方法。