Staple: Complementary Learners for Real-Time Tracking 论文笔记 

　　相关滤波相关的跟踪算法，最近非常的流行，对运动模糊和光照变换有一定的鲁棒性。但是，由于像模型展示的那样，他们的跟踪结果严重的依赖于跟踪物体的空间布局，对形变非常的敏感（deformation）。基于颜色统计的模型有互补的性能：他们对物体的外形有较好的处理能力，但是，对出现的光照变量却无法很好的应对。此外，仅仅依赖于颜色统计，没有那么好的判别性。本文提出一种简单的跟踪算法，结合互补信息的岭回归框架，可以达到 80FPS，且跟踪的精度也非常好。

　　本文中提出的 Staple (Sum of Template And Pixel-wise LEarners),  该跟踪算法结合了 两个patch representation，使得学习到的模型对 colour changes and deformations 都具有一定的鲁棒性。为了保证实时的速度，我们解决两个独立的岭回归问题（two independent ridge-regression problems），探索每个表示的内在结构。与其他算法融合多个模型的预测结果不同，我们的算法结合两个模型的预测 score，以一种 dense translation search的方式，确保得到更好的精度。

　　本文的算法也是基于选择较好的那个预测 score得到的结果。简单的将 CF 和 全局颜色直方图相结合，可以得到超过大部分的跟踪算法。

　　算法框架：

　　1. Formulation and motivation:

　　在 tracking by detection 的框架下，在第 t 帧，给定图像 $x_t$ 的 bbox $p_t$，从结合 S 中选择一个最大得分：

　　函数 T 是一个图像 transformation，使得 $f(T(x, p); \theta)$ 赋予矩形框 p。模型参数可以被选择以最小化一个损失函数 L，

Staple: Complementary Learners for Real-Time Tracking 论文笔记