Online Robust Non-negative Dictionary Learning for Visual Tracking 阅读小结

进来开始看目标跟踪和计算机视觉方面的文章，今天阅读了Online Robust Non-negative Dictionary Learning for Visual Tracking 这篇文章。本文中的tracker还是在粒子滤波的框架下做的，属于生成模型类的跟踪器。它的主要贡献还是对L1跟踪器的一些改进，效果文章说的还行，具体实验还没做。在这篇文章里采用了非负性字典学习算法来更新目标模板，同时发明了一种梯度影射下降算法来解决字典学习的问题。本文的跟踪器与L1跟踪器的主要区别有以下几点：

（1）鲁棒的粒子表示

在L1跟踪器中，对于重构误差LI跟踪器采用的L1范数，而本文方法采用的Huber 损失函数。

L1中需要求解的优化问题是：



本文的优化问题为：



这里，对这个问题的优化也不是很明白。

Huber loss 函数相比均方误差函数，它对数据中的奇异值不是很敏感。它的定义是：



（2）在L1跟踪中，粒子的表示采用了目标模板和简单模板来应对噪声，在本文的方法中只采用了目标模板来表示粒子。并且后续证明这两种表示方法是等价的。

（3）采用了一种非负性字典学习的方法来进行模板的更新，通过优化下面的方程来获得。