标签：
介绍DeepSRDCF之前，首先介绍SRDCF。
今天对SRDCF算法做一些笔记[paper:Learning Spatially Regularized Correlation Filters for Visual Tracking]
这篇文章同样是目前比较好的，在VOT2015年的排名第四。他是KCF的一种变形[KCF-SRDCF-DeepSRDCF]，并结合CNN提取features.下面详细介绍paper.速度4fps.
1.paper 特点
a) 在SRDCF的基础上改善了boundary effects.
b) Our SRDCF formulation allows the correlation filters to be learned on a significantly larger set of negative training samples, without corrupting the positive samples
c) 在求解corelation filters时，利用iterative Gauss-Seidel method在线学习。
2. details
a) 目的： 从一组train samples中学习一个corralation filter[DCF算法，paper中利用的是circular sliding window并利用FFT加速运算]。
b) 由于标准的DCF有许多缺点[boundary effects,容易over-fitting,Score离center原时较差。。。]所以本文在此有所改进，那么标准的DCF是怎样的呢？标准的DCF就是一个监督学习，学习一个linear classifier&linear regressor,可是SVM等也是同样的思想，两者最大的不同在于DCF利用的时circular correlation 来training and detection.circular correlation filters的两大优势为：第一，训练样本多样化(有各种样本的平移【KCF】);第二，FFT加速运算，适用于online-tracking.
标准的DCF原理如下：
首先式（1）中，S为响应值，X为search region中的特征，f为学习的filters系数，‘*’表示循环卷积[可以参见KCF原理]，式（2）为loss function,然后利用循环矩阵来求解[详细参见KCF算法]， 缺点循环卷积带来boundary effects:
c) 提出SRDCF算法，在DCF的基础上添加正则化项：空间权重函数，将式（2）的式子修改如下：
其中w满足Gauss分布，离center近，权重大，越远，权重小[KCF也是同样的思想]，所以归一化后，loss function如下：
对式（5），利用FFT和循环矩阵的性质进行计算，这样学习到的滤波系数可视化对比如下：
最终求解等价于求解线性方程组
由于采用circular 算法，某些等式可以简化，所以提出Gauss-seidel method来简化【略】。
d) 有了上面的求解，那么在跟踪的时候，根据第一帧的ground-truth,就可以进行训练，迭代等式如下（第一帧的信息可以求迭代需要的初始化的值）：
e) 训练好了后，用于detection,the location of the target in a new frame t is estimated by applying the filter f ? t?1 that has been updated in the previous frame,首先，we apply the filter at multiple resolutions to estimate changes in the target size.则选择一定的候选框，并做放缩处理，最后crop为同样的size.
f) 搜索采用Sub-grid策略，即用t-1的滤波稀疏，滑动step>1pixel,这样根据score，大致定位（可以考虑金字塔策略），再在频域，对每一个尺度，利用如下公式迭代求解最佳匹配的位置：
g) 文章最后利用了多种特征。In addition to the HOG features used in [12], the submitted variant of SRDCF also employs Colour Names and greyscale features. These features are averaged over the 4 × 4 HOG cells and then concatenated, giving a 42 dimensional feature
vector at each cell
DeepSRDCF[Convolutional Features for Correlation Filter Based Visual Tracking]
他是在SRDCF的基础上，将hand-crafted的特征换为CNN的特征，作者并没有公布源代码，是基于Matconvnet来做的。
1. paper特点
1）探索了不同conv的特征的不同影响，得出利用第一层conv的特征效果最好。
2）利用PCA将第一层的特征降为40-D: the DeepSRDCF employs convolutional features from a pre-trained network.A Principal Component Analysis is used to reduce the feature dimensionality of the extracted activations。
标签：
原文地址：http://blog.csdn.net/ben_ben_niao/article/details/51325716
