Learning Background-aware Correlation Filters for Visual Tracking （BACF）文章解读

背景感知相关滤波跟踪

摘要：相关滤波已经证明了优越的性能，在具有挑战性的光度和几何变化上，这种方法的强大之处在于，它能够实时的了解对象对时间地的变化，但是，CF有一个基本的缺点是没有对目标的背景进行长期建模，这可能导致性能不理想，最近的跟踪算法通过从更有区别的层次有限单元中学习CF 来解决这一问题。.....目前的方法虽然效果很好，但是复杂性很高，提取的深度学习特征或营业深度学习框架的计算成本非常高，这些限制了这些方法的实时性能，甚至在高端GPU上也是如此。这项工作提出了一个基于手工制作的特征的背景感知CF，可以有效的建模对象的前景和背景随如何随时间变化。

文本中贡献：

学习背景感知相关滤波用于实施跟踪。文中的方法能够从真实负样本中学习或者更新滤波器，密集提取背景。证明从负背景学习跟踪器，而不是从移位的前景块学习跟踪器，可以获得更高的准确率和实时性。文章贡献如下：

（1）提出了一种新的视觉跟踪相关滤波器，以前的跟踪器中负样本被限制在圆形移位的图像块中，文中的跟踪器是从真实的负训练测试组中训练的，密集地从背景中提取。

（2）文中提出了一种基于乘法器的高效交替方向乘子法来学习多通道特种的（如HOG）的滤波器。