For visual tracking methods based on kernel support vector machines (SVMs), data sampling is usually adopted to reduce the computational cost in training. In addition, budgeting of support vectors is required for computational efficiency. Instead of sampling and budgeting, recently the circulant matrix formed by dense sampling of translated image patches has been utilized in kernel correlation filters for fast tracking. In this paper, we derive an equivalent formulation of a SVM model with the circulant matrix expression and present an efficient alternating optimization method for visual tracking. We incorporate the discrete Fourier transform with the proposed alternating optimization process, and pose the tracking problem as an iterative learning of support correlation filters (SCFs). In the fully-supervision setting, our SCF can find the globally optimal solution with real-time performance. For a given circulant data matrix with n2 samples of n ×n pixels, the computational complexity of the proposed algorithm is O(n2 logn) whereas that of the standard SVM-based approaches is at least O(n4). In addition, we extend the SCF-based tracking algorithm with multi-channel features, kernel functions, and scale-adaptive approaches to further improve the tracking performance. Experimental results on a large benchmark dataset show that the proposed SCF-based algorithms perform favorably against the state-of-the-art tracking methods in terms of accuracy and speed.

中文翻译：

---

学习支持相关过滤器以进行视觉跟踪。

对于基于内核支持向量机（SVM）的视觉跟踪方法，通常采用数据采样来减少训练中的计算成本。另外，支持向量的预算对于计算效率是必需的。代替采样和预算，最近，在内核相关滤波器中利用了由翻译图像块的密集采样形成的循环矩阵，以进行快速跟踪。在本文中，我们用循环矩阵表达式推导了SVM模型的等效公式，并提出了一种有效的可视化跟踪交替优化方法。我们将离散傅里叶变换与提出的交替优化过程结合在一起，并将跟踪问题作为支持相关滤波器（SCF）的迭代学习。在完全监督设置中，我们的SCF可以找到具有实时性能的全球最佳解决方案。对于具有n2个n×n像素的n2个样本的给定循环数据矩阵，该算法的计算复杂度为O（n2 logn），而基于标准SVM的方法的计算复杂度至少为O（n4）。此外，我们将基于SCF的跟踪算法扩展为具有多通道功能，内核功能和比例缩放方法，以进一步提高跟踪性能。在大型基准数据集上的实验结果表明，基于SCF的算法在准确性和速度方面均优于最新的跟踪方法。所提出算法的计算复杂度为O（n2 logn），而基于标准SVM的方法的计算复杂度至少为O（n4）。此外，我们将基于SCF的跟踪算法扩展为具有多通道功能，内核功能和比例缩放方法，以进一步提高跟踪性能。在大型基准数据集上的实验结果表明，基于SCF的算法在准确性和速度方面均优于最新的跟踪方法。所提出算法的计算复杂度为O（n2 logn），而基于标准SVM的方法的计算复杂度至少为O（n4）。此外，我们将基于SCF的跟踪算法扩展为具有多通道功能，内核功能和比例缩放方法，以进一步提高跟踪性能。在大型基准数据集上的实验结果表明，基于SCF的算法在准确性和速度方面均优于最新的跟踪方法。