参考论文链接

• Visual Object Tracking with Discriminative Filters and Siamese Networks: A Survey and Outlook
• Recent advances of single-object tracking methods: A brief survey
• 视频单目标跟踪研究进展综述
• 网盘链接（链接 提取码: yg6x）
  参考以上论文，我主要聚焦单目标追踪的两大框架：相关滤波（Correlation Filter）和孪生网络（Siamese Network），分析比较这两个框架下的经典论文。

首先是一个时间线发展的图：

相关滤波的跟踪框架

目标跟踪算法的输入是一段连续的视频序列，以及视频第一帧指定的跟踪目标（边界框的goundtruth (x, y, w, h) 形式给出），目标跟踪算法的输出是在后续每帧中的目标的位置以及大小，同样以边界框(x, y, w, h)的形式给出。
相关滤波目标跟踪算法的主要思想是，在当前帧更新相关滤波器（记作 $F$ ），在下一帧利用所得的$F$ 通过循环卷积的操作实现目标中心点定位。

1. 获取搜索区域：由于相邻两帧目标移动范围有限，利用第 $t-1$ 帧的跟踪结果 $P_{t-1}$，通过适当扩大 $P_{t-1}$(通常是一个预定义好的区域大小，比如320x320)得到目标的搜索区域（Search Region），并在视频第$t$帧图像的上述搜索区域内进行目标定位搜索。
2. 特征提取：在对步骤一得到的搜索区域进行特征提取，得到特征图$H$。这里特征提取的方式有很多，目标跟踪的常用特征详见
3. 目标定位：相关滤波器$F$作用于提取的特征图，利用以下公式得到相应图$C$。$$C=H\ast F$$，式中$\ast$为循环卷积，计算响应图 $C$的最大值所在位置的坐标，即可得到当前帧图像上的目标中心位置，跟踪结果 $P_t$的尺度大小可由上一帧$P_{t-1}$进行缩放得到（有些算法会新设计一个尺度滤波器专用于检测尺度的变化）。
4. 滤波更新：利用当前跟踪结果，如图下半栏所示，以目标为中心点截取子图像，类似步骤 2 提取特征图$X$，然后通过以下正则化公式求最优的相关过滤器$F$ $$E(F)=||X\ast F-Y|{|}^2+||F|{|}^2$$，其中$Y$是以空间点为最高值的2-D高斯分布图（相当于$Y$就是要匹配的目标，我们得训练相关滤波器$F$，看到特征图$X$就能找到目标）

基于深度学习的相关滤波的跟踪框架

基于深度学习的DCF方法是先利用深度网络先提取图像的深度特征，再学习出一个追踪模型$f$，去尽可能准确地生成出目标真值的分布。公式表达如下：

其中y就是template高斯型的真值标签。这是一个岭回归问题。

传统的DFC方法就是利用傅里叶域求解岭回归的闭式解；基于深度学习的DCF方法利用随机梯度下降/共轭梯度方法求解，这样可以避免边界效应的问题。

下一篇开始论文阅读了，强强快给我打扣~