目标追踪论文之狼吞虎咽(4):MCCT算法

#一、创新点
作者提出，单一追踪器的性能不够稳定，而从多个追踪器的决策层得出的融合结果可以有效地提高鲁棒性。因此，作者提出一个基于多线索相关滤波的追踪算法（MCCT），文章的主要贡献如下：

• 提出了一个可以保留多条线索的追踪算法，在每一帧中算法在众多专家中挑选出一个最可靠的专家结果；
• 考虑到多个专家存在分歧，作者提出一个自适应更新策略，可以有效区分不可靠样本（如遮挡或大幅度形变）从而减轻训练样本的污染。
• 作者实现了MCCT算法的两个版本，用来验证框架的一般性。

#二、相关工作

• 相关滤波
• 融合追踪，作者提出，已有的融合多个追踪器的算法存在一些局限：

1. 总体速度受到最低追踪器的限制，此外，融合方法要分析前向和反向轨迹，这要求每个追踪器至少要跑2次
2. 追踪器被认为是一个黑箱子，每一帧的融合结果没有反馈给追踪器，导致不能很好利用每一帧的融合输出结果
3. 如果追踪器数目增加，计算负担将大大增大

与上述追踪算法不同，作者提出的MCCT算法

1. 所有的专家都是基于DCF，通过作者提出的投入产出比ROI和训练样本共享策略，算法的高效性得到保证
2. 每一帧的追踪结果都会反馈给专家们，以促进他们提升
3. 通过一个简单但是高效鲁棒的评估策略，用于选择最可靠的专家，且计算复杂度只有O(TN)，T是帧数，N是专家数。

#三、论文算法
##3.1 DCF框架
###数学模型

###模型训练

###模型测试

###参数更新

##3.2 特征池和专家池
特征池包含3种类型的特征{低级、中级、高级}，其中

• 低级特征：HOG
• 中级特征：去除VGG-19全连接层，提取conv4-4的输出
• 高级特征：去除VGG-19全连接层，提取conv5-4的输出

由特征池对应的专家池里共有