目标跟踪系列二：Staple: Complementary Learners for Real-Time Tracking（2016CVPR）

文章链接：http://arxiv.org/pdf/1512.01355

代码链接：https://github.com/bertinetto/staple

1.      考虑了两种方法的结合。Learning the template score（Hog特征）+ Learning the histogram score（简单的颜色直方图）

图一 算法整体流程图

2.      方法来源（Motivation）相关滤波用HOG特征时对运动模糊和照度很鲁棒，但是对形变不够鲁棒。而颜色直方图对形变则非常鲁棒。毕竟一个目标有了形变后，整个目标的颜色分布是基本不会变的。另一方面，颜色直方图对光照变化不鲁棒，这一点又可以由HOG特征进行互补。因此作者考虑同时使用这两种特征，分成两个通道来做，如图一。

3.     整体新意就在于两种方法的结合，互补之后效果鲁棒，速度很快，因为相关滤波用在跟踪中，可以用FFT(快速傅里叶变换)进行加速，如KCF的速度可以到140FPS，这篇文章中提到的他的速度为80FPS。

4.     效果在OTB50上还不错，在VOT14和VOT15上非常好。如图二和图三。作者给出的OTB50的结果我在与自己的文章比较时有跑，定位精度（precision）这个指标不是那么靠前，所以在文章中并没给出，但是overlap这个指标还不错，这是因为除了算法本身对结果的提升，作者还有考虑对尺度的处理，用的是[1]的尺度金字塔方法，只加到HOG上了，颜色特征没有加尺度，因为对颜色加尺度意义不大，反而会让结果更差。

图二 OTB结果OPE，TRE，SRE的overlap结果

图三 VOT14的综合结果排名表

[1] Danelljan M, Häger G, Khan F, et al. Accurate scale estimation for robust visual tracking[C]//British Machine Vision Conference, Nottingham, September 1-5, 2014. BMVA Press, 2014.

微信公众号code无涯同步更新，欢迎关注。