单目标跟踪——个人笔记

单目标跟踪——个人笔记

以《Handcrafted and Deep Trackers: A Review of Recent ObjectTracking Approaches》为主线看单目标跟踪文献。
不会完全相同，会根据自己看文献和做实验的情况决定顺序与内容。
随手记，不定期更。

MOSSE

D. S. Bolme, J. R. Beveridge, B. A. Draper, and Y. M. Lui, “Visual object tracking using adaptive correlation filters,” in CVPR. IEEE, 2010.
是在线相关滤波跟踪的鼻祖吧，前身为ASEF(offline)。很简单，就是一个岭回归。

CSK与KCF

J. F. Henriques, R. Caseiro, P. Martins, and J. Batista, “Exploiting the circulant structure of tracking-by-detection with kernels,” in ECCV. Springer, 2012, pp. 702–715.
João F. Henriques, Rui Caseiro, Pedro Martins, Jorge Batista, “High-speed tracking with kernelized correlation filters,” IEEE T-PAMI, vol. 37, no. 3, pp. 583–596, 2015
贴两篇个人认为比较详细的介绍就好1CSDN、2知乎，还有一个KCF弊端与解决方法的博客
总结一下KCF的 缺点 :

• 1.单一尺度；
• 2.学习率固定：学习率过大会导致目标遮挡时过度学习背景信息，学习率过小会导致目标快速变形时滤波器更新不及时丢失目标；(如何更新，世界难题啊)
• 3.边界效应，即循环移位得到的样本不是真实样本，这会限制训练得到的滤波器的判别能力；
• 4.对快速运动目标跟踪效果差，因为加了余弦窗弱化边界上的信息，如果相邻帧中的目标平移较大，导致目标到了边界区域，此时余弦窗会弱化目标信息，导致跟踪效果不理想；
• 5.要求目标的patch size和滤波器的大小必须一致，因此对不规则、轮廓形状变化大的目标不友好。

HCF与HCFT*

C. Ma, J. B. Huang, X. Yang, and M. Yang, “Hierarchical convolutional features for visual tracking,” in ICCV. IEEE, 2015, pp. 3074–3082.
C. Ma, J. Huang, X. Yang, and M. Yang, “Robust visual tracking via hierarchical convolutional features,” IEEE T-PAMI, 2018.

HCF

利用VGGNet-19提取深度特征，并选取conv3-4、conv4-4和conv5-4三层的特征(大小为[37，28，1