SAMF目标跟踪算法

    最近学习了相关滤波类的跟踪算法（MOSSE，KCF），相比于传统的目标跟踪类算法，相关滤波算法在速度上有很大的提高。KCF算法讲解的资源很多，这里不仔细介绍，主要讲解下几种典型的改进算法，SAMF算法是最早出现的一种改进算法。

    KCF跟踪算法出现以后，虽然其跟踪速度和精度有了很大的改进，但是针对其缺点人们逐渐提出了改进的算法。SAMF是ECCV2014的workshop，它的贡献主要有两点：（1）将单一的特征扩展为多个特征；（2）利用尺度池的方法实现目标的自适应跟踪。这篇论文中基本没有什么理论推导，比较好理解。

    （1）首先看特征的选择。使用好的特征是实现准确跟踪的基础，最早的MOSSE算法使用的是单一的灰度特征，由于特征的单一，MOSSE算法的处理速度非常快，达到669FPS/S，但其精度很低，不到0.5；随后人们开始使用颜色特征（CN），算法在精度上得到了很大的提升；KCF算法使用的是方向梯度直方图（HOG）特征，将精度提高到了0.7左右（因为在不同的数据集有一定的偏差，没有具体准确的数值），速度也达到了172FPS/S；之后，人们也开始寻找高质量的特征表达，但没有明显的成果。因此研究人员考虑将多个特征融合的方法来提高跟踪的精度，SAMF中作者采用的是HOG+CN+灰度的融合特征。文中的多特征融合就是简单的矢量叠加。其公式如下：

    x是传统KCF算法中提取的单独特征，而Xc中是三种特征的混合。算法相当于将三种特征进行简单的矢量叠加。

    （2）然后是尺度的改进，也是本文的核心部分。KCF算法使用的是单一的尺度，当目标发生形变遮挡等情况时会导致跟踪精度下降。SAMF算法中引入的是尺度池的方法。尺度池为PoolS={0.985，0.99，0.995，1.0，1.005，1.01，1.015}。它的思想很简单，就是在比较的阶段对候选区域的目标做七个尺度的计算，与上一帧目标进行比较，其响应值最大的作为当前帧中的目标。算法的示意图如下：

    由图可见，引入尺度池类的方法可以在小范围内实现尺度自适应跟踪，提高跟踪的精度。

    接下来是论文中的实验部分。文中用三种改进算法进行对比，分别是SA（仅加入尺度池）、MF（仅加入多特征融合）、SAMF（完整的算法）。与经典算法KCF、CN、CSK算法进行对比。

    论文的结构如下：

Abstract:简要介绍了本文的改进思路以及在最新数据集上的结果。

Introduction:介绍视觉跟踪常见问题；相关滤波方法的提出以及优势；文中提出的两种改进策略；文章的篇章结构。

Related Works:介绍了传统CF类算法的发展过程，MOSSE，CSK，CN，KCF。

The tracker:第一部分介绍了KCF关键公式的推导原理；第二部分提出了多特征融合算法；第三部分提出了尺度自适应方法。

Experiments：介绍了硬件环境以及评估标准，进行实验分析结果比较。

    论文下载地址：https://link.springer.com/chapter/10.1007%2F978-3-319-16181-5_18

    MATLAB代码下载地址：https://github.com/ihpdep/samf