引言

  最近刚开始看论文，以前都是看数据手册，参考手册，User Guide， Application Note这类，就没好好看过论文。现在开始入门目标跟踪这一块，希望先熟悉一些算法，然后再去尝试嵌入式平台上的实现。
  A Review of Visual Trackers and Analysis of its Application to Mobile Robot，2019年的一片目标跟踪相关的论文综述，大致介绍了目标跟踪算法的发展历程。

笔记

零碎的笔记

  传统的目标跟踪算法，主要是用数学公式预测轨迹，而现在的目标跟踪算法则是把检测算法，跟踪策略，更新策略，在线分类等结合在一起，更加复杂。
  文章中的表1给出了今年的一些数据集。表2给出了一些常用的特征。
  目标跟踪的算法大致分为两种，不管是哪一种，特征提取非常重要！！一种是generative method，生成式方法，建立目标的模型后用模板匹配的方式找目标。另一种是判决式方法，discriminative method，它不生成模型，而是直接用神经网络判断是不是目标或者给出目标的概率。
  跟踪的算法以前是用来解决检测速度慢的问题，跟踪可以预测目标下一帧可能的位置。而现在又有了用检测代替跟踪的方式，就是把一段时间内的视频帧用来检测，这就是现在主流的Tracking-by-Detection。主要有两种Tracking-by-Detection的方法，Correlation Filter相关滤波和Deep Learning 深度学习。

相关滤波

  相关滤波CF Correlation Filter，也被称作DCF Discriminative Correlation Filter

参考文献序号	概要
118	总结了相关滤波的一般架构
115	ASEF, Average of Synthetic Exact Filters
116	MOSSE, Minimum Output Sum of Squared Error Filter
57	CSK, Circulant Structure of tracking-by-detection with Kernels
119	MCCF, Multi-Channel Correlation Filter
117	KCF, Kernel Correlation Filter
75	CN, Color Names

  CSK，KCF，CN常常在很多数据集中被当作基准算法
  相关滤波的滤波器尺寸如果是固定的，就很难应对目标的尺度变化。为此有人提出了新的一些能够解决尺度变化问题的算法。

参考文献序号	概要
62	DSST HOG 特征 Translation Filter + Scale Filter算得慢
61	fDSST PCA降维
121	SAMF HOG 和 CN特征 基于KCF，和DSSTA相像
124	CFLB 灰度特征 基于MOSSE
125	BACF HOG特征 基于MOSSE
126	RCF 基于CF 引入三个稀疏相关损失函数
127	MEEM 可以调用多个跟踪器（缝合怪），实时性不好

  后面的还有好多先不看了，准备去看具体的论文……

  上面这个图是目标跟踪算法整体的发展分支。

  等后面看了一些文章之后再来补充……