Discriminative Correlation Filters (DCF)

一般化的跟踪问题可以分解成如下几步：
1. 在It帧中，在当前位置pt附近采样，训练一个滤波器。这个滤波器能计算一个小窗口采样的响应。
2. 在It+1帧中，在前一帧位置pt附近采样，用前述滤波器判断每个采样的响应。
3. 响应最强的采样作为本帧位置pt+1。

DCF is a learning technique that efficiently exploits all cyclic shifts of the training samples. （可以快速得到很多训练样本的）

其核心思想是：由于每一帧中被良好检测的目标都提供了描述该目标的信息，因此完全可以通过用每一帧中的目标区域作为训练样本来进行模型的训练，具体做法是通过已经跟踪的若干帧中目标的位置，提取出我们关心的特征，训练出一个滤波器模板，对于新帧中可能的目标区域，提取出该区域特征，与滤波器模板作相关，根据相关值得到在新帧中目标的预测位置，并在以该位置为中心提取出特征，反过来进一步训练滤波器模型，并重复上述步骤进行后续的目标跟踪与模型训练。通过这种方法，就实现了模型的在线训练与目标的实时跟踪。
通过循环移位快速得到很多正负样本，利用特征提取器得到这些样本的特征，结合特征的标签（正/负）训练出相关滤波器CF，每当一个新图像到来，就在上一帧中目标位置附近选出一些框框，分别提取出特征，与训练好的相关滤波器进行相关，响应最大的位置就是当前图像中的预测目标位置。