SRDCF
完全参考知乎大佬YaqiLYU的专栏 https://zhuanlan.zhihu.com/p/26417182
总体来说，相关滤波类方法对快速变形和快速运动情况的跟踪效果不好。
快速变形主要因为CF是模板类方法。容易跟丢这个比较好理解，前面分析了相关滤波是模板类方法，如果目标快速变形，那基于HOG的梯度模板肯定就跟不上了，如果快速变色，那基于CN的颜色模板肯定也就跟不上了。这个还和模型更新策略与更新速度有关，固定学习率的线性加权更新，如果学习率太大，部分或短暂遮挡和任何检测不准确，模型就会学习到背景信息，积累到一定程度模型跟着背景私奔了，一去不复返。如果学习率太小，目标已经变形了而模板还是那个模板，就会变得不认识目标。(举个例子，多年不见的同学，你很可能就认不出了，而经常见面的同学，即使变化很大你也认识，因为常见的同学在你大脑里面的模型在持续更新，而多年不见就是很久不更新)
快速运动主要是边界效应(Boundary Effets)，而且边界效应产生的错误样本会造成分类器判别力不够强，下面分训练阶段和检测阶段分别讨论。
训练阶段，合成样本降低了判别能力。如果不加余弦窗，那么移位样本是长这样的：
除了那个最原始样本，其他样本都是“合成”的，100x100的图像块，只有1/10000的样本是真实的，这样的样本集根本不能拿来训练。如果加了余弦窗，由于图像边缘像素值都是0，循环移位过程中只要目标保持完整那这个样本就是合理的，只有目标中心接近边缘时，目标跨越边界的那些样本是错误的，这样虽不真实 但合理的样本数量增加到了大约2/3(padding= 1)， 即使这样仍然有1/3(3000/10000)的样本是不合理的，这些样本会降低分类器的判别能力。再者，加余弦窗不是“免费的”，余弦窗将图像块的边缘区域像素全部变成0，大量过滤掉分类器本来非常需要学习的背景信息，原本训练时判别器能看到的背景信息就非常有限，我们还加了个余弦窗挡住了背景，这样进一步降低了分类器的判别力(是不是上帝在我前遮住了帘。。不是上帝，是余弦窗)。
检测阶段，相关滤波对快速运动的目标检测比较乏力。相关滤波训练的图像块和检测的图像块大小必须是一样的，这就是说你训练了一个100x100的滤波器，那你也只能检测100x100的区域，如果打算通过加更大的padding来扩展检测区域，那样除了扩展了复杂度，并不会有什么好处。
目标运动可能是目标自身移动，或摄像机移动，按照目标在检测区域的位置分四种情况来看：
1.如果目标在中心附近，检测准确且成功。
2.如果目标移动到了边界附近但还没有出边界，加了余弦窗以后，部分目标像素会被过滤掉，这时候就没法保证这里的响应是全局最大的，而且，这时候的检测样本和训练过程中的那些不合理样本很像，所以很可能会失败。
3.如果目标的一部分已经移出了这个区域，而我们还要加余弦窗，很可能就过滤掉了仅存的目标像素，检测失败。
4.如果整个目标已经位移出了这个区域，那肯定就检测失败了。
以上就是边界效应(Boundary Effets)，接下来简单介绍解决边界效应的方法，再次强调这些方法速度比较慢，相关滤波傲视群雄的高速已经不见了，但换来了可以匹敌深度学习方法的性能。
首先是VOT2015中最亮眼的相关滤波方法，Martin Danelljan大牛的SRDCF Learning Spatially Regularized Correlation Filters for Visual Tracking，主要思路：既然边界效应发生在边界附近，那就忽略所有移位样本的边界部分像素，或者说让边界附近滤波器系数为接近零：
Danelljan M, Hager G, Shahbaz Khan F, et al. Learning spatially regularized correlation filters for visual tracking [C]// ICCV. 2015.
SRDCF基于DCF，类SAMF多尺度，采用更大的检测区域(padding = 4)，同时加入空域正则化，惩罚边界区域的滤波器系数，优化目标如下：
空域正则化函数w，传统DCF响应和SRDCF响应对比图如下(来自论文)：
边界效应发生在原始样本目标中心循环移位到边缘附近时，所以越靠近边缘区域，正则化系数越大，惩罚并抑制这里的滤波器系数(有意忽略边界附近的样本值)。
注意区分余弦窗是加在原始图像块上的，之后进行移位产生样本集；而空域正则化是加在样本集中每个移位样本上的。
加正则项这种方法属于伤筋动骨类方法，破坏了DCF的封闭解，所以SRDCF采用高斯-塞德尔方法迭代求解最优化，这也是是导致SRDCF比较慢的原因。
padding=4检测和训练图像块更大，为了减小计算量SRDCF控制滤波器的大小不超过50*50，虽然速度只有5FPS，但实测对快速运动的提升非常明显。