Large Margin Object Tracking with Circulant Feature Maps

**文章来源：**2017 CVPR

创新点：

1.Multimodal target detection

跟踪过程中经常会出现由于相似目标或者噪音干扰，出现跟踪漂移甚至导致跟踪失败，作者的这个方法就是专门针对这个问题而提出的，提高算法的定位精度。

用相关滤波算法进行跟踪时，当新一帧到来时，通过
（1）

得到目标搜索区域的响应图谱，响应值最大的位置即为目标的位置。在目标被遮挡或者有背景信息干扰的
情况下很容易失败。Multimodal target detection方法对响应图谱进行如下处理：
（2）

B为一个二进制矩阵，与相应图谱大小一致，相应图谱峰值与B矩阵对应的位置为1，其余位置取0，则P(s)矩阵中不为0的数值皆对应响应图谱的峰值。
当P(s)中有多个值与最大值的比值大于给定的阈值时，重新利用公式（1）计算以这些值为中心的目标区域的响应图谱，以这次计算的最大值作为目标中心位置。（不确定这里的理解是否正确，为什么计算两次的结果会不一样呢）

2.high-confidence update

之前的算法是每一帧检测到目标之后，都会进行更新，所以当检测结果不准确的时候，这种更新策略就会严重影响后期跟踪过程的准确性，结果适得其反。作者提出当检测结果置信度满足条件时再更新，否则不更新滤波器。那么什么情况下进行更新呢，作者提出了两个指标。第一个指标是最大响应值：
（3）

第二个指标为APCE:
（4）
APEC表示相应图谱的波动程度和检测到的目标的置信度。响应图谱的峰值越尖锐，噪音越少，也就是说只有一个极其尖锐的峰值，其余位置都很小并且很平滑，APEC的值就会越大。当两个指标都满足更新条件：大于一定比例的历史平均值时，进行更新。更新：