【相关滤波】论文分享，Auto-Learning Correlation-Filter-Based Target State Estimationfor Real-Time UAV Track

一篇2022年在Remote Sensing上发表的论文，个人认为在提出的指标和一些策略上有借鉴意义。

原文链接

先说一下研究背景，实时相关滤波算法，采用无模型的判别式跟踪策略，能同时兼顾速度和精度，在不依赖深度特征的情况下就能达到高性能。

首先，定义了均方误差（MSE）：

当期望响应和理想响应y之前的误差越大，MSE值越大。

结合MSE，提出了本文的核心指标TSE，α1和α2确保Fmax和FD有相同的值。这个指标反映了以下情况：

1. 目标状态好，Fmax值大，MSE值小，这就导致TSE的值很大，接近最大值1。
2. 如果空间出现干扰信息，那么Fmax的依旧可以很大，但是MSE的值同样较大，这样FD下降，TSE值也随之下降。
3. 如果目标丢失，则Fmax为0，MSE巨大，TSE接近与0。

         根据这个指标，自适应的改变模型更新速率，传统的模型为预定义的学习率，通常在0.9~1之间不等，这样做容易使滤波器学习到错误信息，不够鲁棒。

 结合本文的TSE策略，将学习率改为：

把TSE视为x，学习率视为y，大概的函数图像为：

 那么我们就可以得出：

1. TSE为1时，模型状态很好，不需要更新，学习率很小；
2. TSE为0.5左右时，认为模型周围出现了不可预测的干扰信息，这种情况下就需要加速更新；
3. TSE为0时，模型状态不可信，这种状态下也不需要更新。

接下来介绍文章中提出的另一个策略：丢失寻找策略

当出现遮挡时，TSE极具下降，这时，假定出目标可能出现的四个位置（目标框长宽的固定倍数），重新提取这四个位置的搜索区域并检测，以三帧为周期进行迭代（三种不同的长宽比），如果这些位置的检测响应图的TSE值大于中心位置的TSE，则认为重新找到目标。 

这篇论文不像传统的增加一些正则项来提高精度，一些想法还是值得借鉴的。