摘要：在这篇论文中，作者提出一种鲁棒视觉跟踪的多任务相关粒子滤波琪跟踪算法（MCPF)。作者首先向我们展示了多任务相关滤波器，该滤波器在训练滤波器模板的时候可以学习不同特征之间的联系。本文提出的MCPF旨在挖掘MCF和粒子滤波的性能，同时使其二者互补。与现存的相关滤波器和粒子滤波器相比，本文提出的算法有以下几大优点：1、本文提出的算法可以通过MCF使采样粒子聚焦在目标可能的位置，从而具有较强的鲁棒性；2、本算法通过粒子采样策略可以有效地解决大尺度变化问题；3、与传统的粒子滤波器相比，本文可以使用较少的采样粒子有效地保持模式地多样性，从而较低计算上地消耗。额外地实验证明本算法与其他现存地算法相比局议员较好地性能。
引言：视觉跟踪在计算机领域中是一个重要的分支，在生活中有很多地应用，比如视频监控、运动分析、自动驾驶等。目前视觉跟踪地主要挑战在于长时间内目标外表特征地变化。尽管近些年来视觉跟踪取得了很大的进步，但编写鲁棒性强地算法仍是一件困难的事，因为我们所要跟踪的目标自身带有很多视觉上的变化，比如光强的变化、快速运动、姿态变化、部分遮挡、背景融合。
相关滤波最近被应用到视觉跟踪任务中，并且取得了不错的鲁棒性以及极快地跟踪速度。意识到CNN在目标检测领域取得了巨大的成就，少数学者将CNN特征用于目标跟踪。经验主义地研究人员利用大型视觉跟踪库证实了采用CNN特征地跟踪算法地性能好于基于手工特征地跟踪算法。
尽管基于CNN特征地跟踪算法取得了良好地跟踪性能，但是基于CNN的相关滤波算法仍具有以下几个不足：1、在训练相关滤波器时，仅仅对每层特征单独训练，而没有考虑不同特征层之间的相互联系。为此本文提出MCF用于学习不同特征层之间的联系，提高跟踪的性能。2、现存的跟踪算法没有很好地解决目标尺度变化的问题。Danelljan教授等人采用多尺度相关滤波的方式解决尺度变化问题，然而实验结果显示，效果并不好。为了解决这个问题，本文采用粒子滤波器来解决尺度变化的问题。
一般来说，采样粒子越多跟踪鲁棒性越好，然而过多的粒子会导致计算时间的大量增加。每个采样粒子都会有个目标状态，各个粒子之间不相互干涉。如果采样粒子没有覆盖目标的状态，那么预测的目标状态就不是有效的。为了解决这一问题，最好的方法是将采样粒子聚集在目标状态分步的区域。在这一部分，本文勘探MCF和粒子滤波器的能力，并将这二者有机结合互相补充。1、粒子滤波通过之前的密度采样技巧，获得一个目标的概率图。得益于密擦采样，获得的目标状态图可以解决目标的尺度变化。2、对于每一个采样粒子将之视为一个样本，利用MCF处理，得到一个相应相应图，其中最大值指向该粒子。毫无疑问每个密集采样粒子都都会覆盖一个状态子空间，因此我们没必要使用较多的粒子来获得较多的目标状态，从而会降低计算所花费的时间。
本文提出了一个用于目标鲁棒跟踪的MCFP跟踪算法，该算法继承了粒子滤波和相关滤波的优点，如对于尺度变化的鲁棒性和计算的高效性。本算法的贡献在于以下几点：1、本算法学习不同特征层之间的联系；2、本算法可以有效地解决尺度变化问题。3、本算法利用MCF将采样粒子聚焦在目标状态分步集上。在跟踪时，目标状态的取值是所有粒子权重的平均值。
相关论文
在本节中，讨论与本文相关的一些方法，主要是相关滤波和粒子滤波。
相关滤波：Different from existing tracking methods based on correlation filters, we propose a multi-task correlation filter to exploit interdependencies among different features to learn their correlation filters jointly.
与现存的基于相关滤波的算法不同，本文提出一种多任务相关滤波学习不同特征之间的联系。
粒子滤波：在视觉跟踪中，粒子滤波或者说连续性蒙特卡洛方法被广泛采用。为了更好的鲁棒性，需要大量的采样粒子保证完全覆盖目标状态。
Different from the above methods, we adopt a multi-task correlation filter to shepherd particles toward the modes of a target state distribution and thereby reduce the number of particles and computational cost.
本文算法
对于本文学习的Z，1、每个特征对应的Zi，在下一帧中只有少数几个位置可能会被选择，理想情况下只有一个位置会被用于预测下一位置。2、不同特征对应的相应图应该有相似的运动规律。