目标跟踪算法小结（三）

相关滤波算法

1. DSST
   DSST提出了基于3维尺度空间相关滤波器translation-scale的联合跟踪方式，利用两个滤波器位置滤波器(translation filter)和尺度滤波器(scale filter)依次进行目标定位和尺度评估，两个滤波器相互独立可以利用不同的特征种类和特征计算方式进行训练和测试，而利用尺度滤波器进行尺度估计的方法可以移植到其他算法中。fDSST对DSST进行加速，分别对位置滤波器和尺度滤波器进行PCA降维和QR分解来降低计算量提高计算速度。
   Danelljan M, Häger G, Khan F, et al. Accurate scale estimation for robust visual tracking_BMVC2014

2. SAMF
   基于KCF，特征是HOG和CN，能够实现多尺度检测，位置滤波器在多尺度缩放的图像块上面进行目标检测，响应最大的认为是目标所在位置和目标尺度大小。
   SAMF与DSST都可以对进行目标尺度滤波，但是在方法上有所不同：1，SAMF在尺度变化上只有7个尺度，而DSST有33种尺度变化；2，DSST先进行位置滤波再进行尺度滤波，而SAMF是位置滤波与尺度滤波一起进行；3，DSST两步需要不同的滤波器，而SAMF只需要一个滤波器，不需要额外训练和存储。
   Li Y, Zhu J. A Scale Adaptive Kernel Correlation Filter Tracker with Feature Integration_ECCV2014

3. LCT
   LCT在DSST一个位置滤波器和一个尺度相关滤波器的基础上，又加入第三个负责检测目标置信度的相关滤波，检测模块是TLD中所用的随机簇分类器(random fern)。第三个相关滤波类似MOSSE不加padding，而且特征也不加cosine窗，放在平移检测之后。LCT加入检测机制对遮挡和移出视野等情况处理较好。
   Ma C, Yang X, Zhang C, et al. Long-term Correlation Tracking_CVPR2015

4. Staple
   Staple是模版类特征方法（DSST）和统计类特征方法（DAT）的结合。模版类特征如HOG等，对快速运动和形变等情况下跟踪效果不理想，但对运动模糊情形跟踪效果较好；而颜色统计类特征DAT对形变不敏感，将两种方法结合，在位置滤波（translation filter）过程中加入颜色统计特征可以更准确定位目标。
   Bertinetto L, Valmadre J, Golodetz S, et al. Staple: Complementary Learners for Real-Time Tracking_CVPR_2016

5. SRDCF
   SRDCF基于DCF，类SAMF多尺度，采用更大的检测区域（padding = 4），加入空域正则化，惩罚边界区域的滤波器系数来减轻边界效应。在检测时选择一定的候选框进行尺度匹配，找到最合适的尺度大小。
   Danelljan M, Häger G, Khan F S, et al. Learning Spatially Regularized Correlation Filters for Visual Tracking_ICCV2015

6. DeepSRDCF
   把SRDCF中HOG特征替换为CNN中单层卷积的深度特征（卷积网络中的激活值），深度特征来自在ImageNet数据集上训练的imagenet-vgg-2048网络，第一层的激活值特征做为跟踪特征与其他四层的特征相比跟踪效果最好。
   Danelljan M, Hager G, Khan F S, et al. Convolutional Features for Correlation Filter Based Visual Tracking_ICCV2015

7. HCF
   类似DeepSRDCF，用多层卷积特征代替HOG和CN特征。VGG19中Conv3-4，Conv4-4，Conv5-4三层的激活值做为特征；前面的卷积层保留了跟好的空间细节，可以精确地进行目标定位；后面的卷积层保留了更多的目标语义，对于外观变化具有鲁棒性，能够更好地区别目标与背景；每一层训练对应的滤波器，利用线性内插法上采样将不同层的图像片大小对齐，构建从粗到细的目标搜索方法，能够更准确判断目标位置。
   Ma C, Huang J B, Yang X, et al. Hierarchical Convolutional Features for Visual Tracking_ICCV_2015

8. CSR_DCF
   基于DCF相关滤波与颜色概率相结合，提出了空域可靠性和通道可靠性。空域可靠性通过前景颜色直方图概率和中心先验概率计算二值约束掩膜，让滤波器自适应学习和跟踪颜色目标比较显著的部分，依此来缓解边界效应。通道可靠性用于区分检测时每个通道的权重，由训练通道可靠性和检测通道可靠性两个指标决定，训练通道检测性指标表示响应峰值越大的通道可靠性越高，检测可靠性指标响应表示响应图中第二主模和第一主模之间的比值。
   Lukežič A, Vojíř T, Čehovin, Luka, et al. Discriminative Correlation Filter with Channel and Spatial Reliability_CVPR2017

9. C-COT
   论文提出一种连续卷积滤波器（continuous convolution filters）方法，并且通过内插法将学习问题映射到连续的空间域中来解决。算法综合了SRDCF的空间域正则化和SRDCFdecon的自适应样本权重，将DeepSRDCF的单层网络卷积特征扩展为多层卷积特征。为了解决不同卷积层分别率不同的问题，在训练之前通过频域隐式插值将特征图插值到连续的空间域中，这样方便集成多分辨率的特征图。不同层训练得到的滤波器会得到不同置信图，对不同层的置信图加权求和得到最大的置信值就是目标对应位置。
   Danelljan M, Robinson A, Khan F S, et al. Beyond Correlation Filters: Learning Continuous Convolution Operators for Visual Tracking _ECCV_2016

10. ECO
    ECO是C-COT的改进版，从模型大小，样本集大小和跟新策略三个方面对C-COT进行改进。简化特征提取，C-COT中每个纬度对应一个滤波器而其中存在很多贡献较小的滤波器，因此可以在第一帧中从选取贡献较大的滤波器进行学习，筛选出的滤波器特征更明显防止过拟合；利用高斯混合模型（GMM）合并相似样本，产生多样性样本集，减少样本集冗余；每个Ns帧跟新一次模型，并非每帧都对模型进行更新，防止模型漂移。SRDCF，DeepSRDCF，C-COT不能达到实时，ECO利用HOG和CN特征能够实现实时。
    Danelljan M, Bhat G, Khan F S, et al. ECO: Efficient Convolution Operators for Tracking_CVPR2017

11. BACF
    样本集的数量和质量对分类器的训练过程中有着重要作用，它们直接决定着分类器效果的好坏。相关滤波采样循环矩阵的方法来增加样本数量，本文通过扩大循环矩阵采样区域的方法，这样可以获得更多的样本，而且对包含目标的正样本进行裁剪从而获得高质量的正样本，负样本包含了正负图像的背景信息，提高了滤波器的分辨性能。
    Galoogahi H K, Fagg A, Lucey S. Learning Background-Aware Correlation Filters for Visual Tracking_CVPR2017

12. CA-CF
    基于传统的相关滤波框架的改进，在对滤波器进行训练时在目标位置上下左右四个位置进行采样文本信息进行训练，增加了背景信息，对目标选择变化有较强的适应能力。
    Mueller M, Smith N, Ghanem B. Context-Aware Correlation Filter Tracking_CVPR2017

13. 特征才是最重要的！作者将跟踪框架划分为五个部分，motion model，feature extractor，observation model，model updater，ensemble post-processor 分别对这五个模块进行实验，最后证明特征对跟踪效果影响最大，当特征足够好的时候observation model影响不是特别大，model updater对跟踪效果有相当的影响但是容易被忽略，使用ensemble post-processor对结果产生积极影响。
    Wang N, Shi J, Yeung D Y, et al. Understanding and Diagnosing Visual Tracking Systems_ICCV_2015

14. LMCF
    利用结构化的SVM作为分类器，引入相关滤波，通过循环采样增加训练样本数量，同时利用多峰值检测来避免相似物体和背景干扰，提出新的更新策略，利用APCE的值作为根据来判断是否进行更新，以此减少模型更新次数，减弱模型漂移。
    Wang M, Liu Y, Huang Z. Large Margin Object Tracking with Circulant Feature Maps_CVPR2017