CVPR2018跟踪算法STRCF原理及代码解析

文章和代码下载地址：

STRCF: Feng Li, Cheng Tian, Wangmeng Zuo, Lei Zhang, Ming-Hsuan Yang. "Learning Spatial-Temporal Regularized Correlation Filters for Visual Tracking." CVPR (2018). [paper] [github]

一、创新点

1、加入了时间正则项，防止模型的腐败

2、使用ADMM迭代求解，获得实时性

二、原理

1、revisit SRDCF

SRDCF提出求解滤波器f的公式如下：

是样本权重，一般都是全部设置为1，可以不用管。表示卷积，w是一个空间权值函数，参照SRDCF，是用来解决边界效应的。SRDCF使用Gauss-Seidel迭代函数来求解滤波器f，速度约4FPS，实时性不高。

2、STRCF

对比着来看，STRCF就是比SRDCF多了最后一项。表示前一帧学习到滤波器，是时间正则因子。

最小化这个公式道理很简单，就是保证求得的f与历史的滤波器尽可能地相似，防止模型的腐败，对抗遮挡也能起到不错的作用。个人认为加入时间正则项比通过固定学习率来更新模型有效一些，因为作者把这种更新约束直接加到了滤波器的求解当中，而不是独立的通过学习率来更新。

3、ADMM求解

引入了辅助变量g，转化为两个子问题，通过ADMM迭代求解。标准的ADMM解法，过程就不赘述了，可以参考：https://blog.****.net/qq_17783559/article/details/82965747