一、创新点

作者提出，单一追踪器的性能不够稳定，而从多个追踪器的决策层得出的融合结果可以有效地提高鲁棒性。因此，作者提出一个基于多线索相关滤波的追踪算法（MCCT），文章的主要贡献如下：

• 提出了一个可以保留多条线索的追踪算法，在每一帧中算法在众多专家中挑选出一个最可靠的专家结果；
• 考虑到多个专家存在分歧，作者提出一个自适应更新策略，可以有效区分不可靠样本（如遮挡或大幅度形变）从而减轻训练样本的污染。
• 作者实现了MCCT算法的两个版本，用来验证框架的一般性。

二、相关工作

• 相关滤波
• 融合追踪，作者提出，已有的融合多个追踪器的算法存在一些局限：
  
  1. 总体速度受到最低追踪器的限制，此外，融合方法要分析前向和反向轨迹，这要求每个追踪器至少要跑2次
  2. 追踪器被认为是一个黑箱子，每一帧的融合结果没有反馈给追踪器，导致不能很好利用每一帧的融合输出结果
  3. 如果追踪器数目增加，计算负担将大大增大

与上述追踪算法不同，作者提出的MCCT算法
1. 所有的专家都是基于DCF，通过作者提出的投入产出比ROI和训练样本共享策略，算法的高效性得到保证
2. 每一帧的追踪结果都会反馈给专家们，以促进他们提升
3. 通过一个简单但是高效鲁棒的评估策略，用于选择最可靠的专家，且计算复杂度只有O(TN)，T是帧数，N是专家数。

三、论文算法

3.1 DCF框架

数学模型

模型训练

模型测试

参数更新

3.2 特征池和专家池

特征池包含3种类型的特征{低级、中级、高级}，其中

• 低级特征：HOG
• 中级特征：去除VGG-19全连接层，提取conv4-4的输出
• 高级特征：去除VGG-19全连接层，提取conv5-4的输出

由特征池对应的专家池里共有C13+C23+C33=7$C_3^1+C_3^2+C_3^3=7$名专家

注：这里的HOG1、HOG2$HO{G}_1、HO{G}_2$是由31维的HOG特征加上1维的每个patch的灰度平均值构成的32维向量分解而成的2个16维特征。

3.3 MCCT算法

算法流程图

step1. 提取不同特征的ROI，放在特征池中
step2. 每个专家给出一个独立的预测线索，挑选最靠谱的专家用于当前的追踪
step3. 自适应更新策略，用于防止专家堕落（性能下降）