将ACF与KCF融合的跟踪器

作为CV工作人员，可能长期会在准确率和效率上犹豫不决；牺牲准确率换取效率是常有的事情。

由于检测比较耗时，所以我们才会引入跟踪对目标进行位置确定；但是对于短距离场景来说，往往需要检测为实时检测。

对于某些场景的人数统计项目，比如公交车上下车区域、电梯口的入口区域等；我们往往会进行逐帧检测以提高检出率，同时用跟踪确定目标轨迹，才能获得区域内的准确人数。

ACF作为一种快速优秀的检测器(效果上和DPM无差，但效率高很多)；用于人头肩检测可以得到很好的效果。

对于目标的跟踪，KCF也是近年来比较流行的跟踪算法；但是在86和TI上运行效率较低；测试表明时间主要还是消耗在HOG特征提取和相关性计算上的近百次的傅里叶变换。

为了保证跟踪效果和实时性，我们将ACF提取的10层特征作为KCF跟踪的输入，减少特征提取和傅里叶计算次数(特征由31层缩小到10层)。

对于人头来说，头部的灰度信息和头部边缘的梯度信息是人头的主要特征信息，而ACF的特征包目标的像素信息和梯度信息，对于这种特定目标的检测跟踪非常有效果。