创新点：

在跟踪中，歧义往往通过遮挡和错误检测而产生。在本文中，提出跟踪中的歧义可以通过有选择性的使用更加可靠的特征而得到解决，如果有必要的话，使用目标更为深层的表示。基于此，对于静态相机的场景，提出一种在线分而治之的tracker，把分配问题分解为本地子问题，并且通过有选择地选择和联合最好的特征而得到解决。

在本文中，作者为MOT提出了一种新的方法，该方法可以根据周围场景的复杂性选择最为合适的特征来解决帧间关联的问题。

贡献：

①提出一种基于相关聚类的在线方法，该方法把全局关联的任务划分成更小的本地关联的子问题。（divide）

②对匈牙利（Hungarian）关联模式提出一种新的扩展，使之足够灵活的用于任意特征中，且能够通过有选择的联合特征来解决复杂的子问题。（conquer）

③提出一种在线的潜在的支持向量机（an onliine Latent Structural SVM）框架来联合前两个步骤，从样本中学习所有的跟踪器参数。