STRCF目标跟踪

STRCF目标跟踪原文：Learning Spatial-Temporal Regularized Correlation Filters for Visual Tracking

GitHub：代码

                                                                                               Abstract

       判别相关滤波器 ( DCF ) 在视觉追踪中是很高效的，但是会受到边界效应[1]的影响。空间正则化 DCF ( SRDCF ) 通过对 DCF 系数施加空间惩罚来解决这一问题，在提高了追踪性能的同时不可避免地增加了复杂度。为了解决在线更新问题，SRDCF 在多幅训练图像上建立模型，进一步增加了提高效率的难度。本文将时间正则化方法引入到单样本 SRDCF 中，提出了一种时空正则化相关滤波器 ( STRCF )。在在线被动攻击 ( PA ) 算法[2]的启发下，我们将时间正则化引入到单样本 SRDCF 中，得到了时空正则化相关滤波器 ( STRCF )。STRCF 形式不仅可以合理地逼近多训练样本的 SRDCF，而且在大的外观变化情况下比 SRDCF 具有更强的鲁棒性。此外，它可以通过乘数的交替方向法 ( ADMM ) 有效地求解。通过结合时间和空间正则化，我们的 STRCF 可以处理边界效应，同时不损失效率，并且在准确率和速度上优于 SRDCF。实验在三个基准数据集上进行: OTB-2015、Temple-Color 和 VOT-2016。与 SRDCF 相比，STRCF 采用人工设计的特征，速度提高了 5 倍，OTB-2015 和 Temple-Color 的 AUC 分数分别提高了 5.4 % 和 3.6 %。此外，与 CNN 特征相结合的 STRCF 与基于 CNN 的最先进追踪器相比，性能良好，OTB-2015 的 AUC 得分为 68.3 %。

[1]边界效应(由KCF循环矩阵导致的)：训练阶段，目标中心移动到边缘附近，此时学习到的样本为不合理的样本，在检测阶段，当目标移动到边界附近，此时的目标和训练时使用的负样本是比较接近的，但是此时应当把此作为整样本来使用检测到目标，但是实际算法中不是这样，所以会导致跟踪失败。

[2]被动攻击算法:适用于大规模学习的算法。它和感知器一样不需要学习率。然而，与感知器相反，它有一个正则化参数c

参考：