区分性多任务对象跟踪，具有主动特征选择和漂移校正功能

在本文中，我们提出了一种具有主动特征选择和漂移校正的判别式多任务目标跟踪方法。 所开发的方法将粒子过滤器框架中的对象跟踪公式化为多任务判别跟踪。 与分别处理粒子的生成方法相反，该方法联合学习了所有粒子的表示，并且对应的系数相似。 跟踪算法从主动特征选择方案开始，该方案从动态环境中的跟踪目标和背景中自适应选择合适数量的判别特征。 基于所选特征空间，可构造并动态更新判别词典。 它们中只有少数几个用来表示每一帧的所有粒子。 换句话说，所有粒子共享相同的字典模板，并且它们的表示是通过判别式多任务学习共同获得的。 与字典模板具有最高相似性的粒子被选为下一个跟踪的目标状态。 这种稀疏和判别式学习可以共同利用粒子之间的关系并提高跟踪性能。 为了缓解目标跟踪中遇到的视觉漂移问题，提出了一种两阶段粒子滤波算法来完成漂移校正，并利用第一帧的地面真实信息和从当前帧在线获得的观测值。 与最先进的算法相比，对具有挑战性的序列进行的实验评估证明了所提出的跟踪器的有效性，准确性和鲁棒性。