STRCF目標跟蹤原文：Learning Spatial-Temporal Regularized Correlation Filters for Visual Tracking

GitHub：程式碼

                                                                                               Abstract

       判別相關濾波器 ( DCF ) 在視覺追蹤中是很高效的，但是會受到邊界效應[1]的影響。空間正則化 DCF ( SRDCF ) 通過對 DCF 係數施加空間懲罰來解決這一問題，在提高了追蹤效能的同時不可避免地增加了複雜度。為了解決線上更新問題，SRDCF 在多幅訓練影象上建立模型，進一步增加了提高效率的難度。本文將時間正則化方法引入到單樣本 SRDCF 中，提出了一種時空正則化相關濾波器 ( STRCF )。在線上被動攻擊 ( PA ) 演算法[2]的啟發下，我們將時間正則化引入到單樣本 SRDCF 中，得到了時空正則化相關濾波器 ( STRCF )。STRCF 形式不僅可以合理地逼近多訓練樣本的 SRDCF，而且在大的外觀變化情況下比 SRDCF 具有更強的魯棒性。此外，它可以通過乘數的交替方向法 ( ADMM ) 有效地求解。通過結合時間和空間正則化，我們的 STRCF 可以處理邊界效應，同時不損失效率，並且在準確率和速度上優於 SRDCF。實驗在三個基準資料集上進行: OTB-2015、Temple-Color 和 VOT-2016。與 SRDCF 相比，STRCF 採用人工設計的特徵，速度提高了 5 倍，OTB-2015 和 Temple-Color 的 AUC 分數分別提高了 5.4 % 和 3.6 %。此外，與 CNN 特徵相結合的 STRCF 與基於 CNN 的最先進追蹤器相比，效能良好，OTB-2015 的 AUC 得分為 68.3 %。

[1]邊界效應(由KCF迴圈矩陣導致的)：訓練階段，目標中心移動到邊緣附近，此時學習到的樣本為不合理的樣本，在檢測階段，當目標移動到邊界附近，此時的目標和訓練時使用的負樣本是比較接近的，但是此時應當把此作為整樣本來使用檢測到目標，但是實際演算法中不是這樣，所以會導致跟蹤失敗。

[2]被動攻擊演算法:適用於大規模學習的演算法。它和感知器一樣不需要學習率。然而，與感知器相反，它有一個正則化引數c

參考：