Online Object Tracking: A Benchmark

13年的CVPR文章，一个online object tracking的文章，介绍了很多比较新的算法，给了算法的code和一个benchmark。download

Introduction

目标跟踪的过程：给定一个初始状态，在随后的帧中跟踪这个目标。
没有一个固定的方法可以应对所有的场景，所以不同的算法一般先验不同。
说明了一下自己文章的三个贡献：

1. 发布了一个数据集
2. 给了29个算法的源码
3. 测试了算法的鲁棒性

Related Work

• Representation Scheme，大致说了有原始图像的光照强度值、子空间方法使用的appearance representation还有sparse representation以及特征点。
• Search Mechanism，有确定性的方法，随机的方法。比如在转化成优化问题的时候，如果问题有最优解就直接可以找到最好的跟踪方法。但是大多数优化问题是非线性而且有很多局部最优解的，这个时候就有可能用采样的方法，但是这个方法代价大。随机的方法作者举了粒子滤波。
• Model Update，在跟踪过程中实时更新模型可以更好得跟踪目标，文章提了些更新算法。也说到现在的appearance model还是不能做到不drift。
• Context and Fusion of Trackers，说上下文信息和融合算法能提高算法的准确度。

Evaluation and Datasets

文章给出了最近一些算法的比较，在representation、search domain、model update、code、FPS进行了比较。还说了自己的Dataset比之前的好。另外，作者分析了Dataset的一些属性，比如里面有多少帧是出现旋转的、出现模糊、出现遮挡的。

Evaluation Methodolgy

评判的准则：Precision plot（用ground-truth和跟踪结果中心点的pixel距离表示跟踪正确与否，文中用20pixel作为阈值）、Success plot（用boundingbox overlap=$\frac{交集面积}{并集面积}$绘制Success plot，用AUC来作为跟踪算法排序的标准）、Robustness Evaluation（因为初始化不同可能跟踪效果差距比较大，所以用两种方法1、在不同的帧进行初始化，TRE（temporal robustness evaluation）；2、初始化是用不同的boundingbox（spatial robustness evaluation））。

Evaluation Results

做了各种实验，对比了各种实验结果。有兴趣可以仔细看看对比实验，不一样的算法在不同条件下有不同的performance。

Conclusion

1. 背景信息在跟踪过程中还是很重要的，比如Struck和CXT；
2. 局部特征和全局特征相比，局部特征在目标出现遮挡还有形变的时候会更好；
3. 运动模型和动态模型对跟踪很重要。