Object tracking is challenging as target objects often undergo drastic appearance changes over time. Recently, adaptive correlation filters have been successfully applied to object tracking. However, tracking algorithms relying on highly adaptive correlation filters are prone to drift due to noisy updates. Moreover, as these algorithms do not maintain long-term memory of target appearance, they cannot recover from tracking failures caused by heavy occlusion or target disappearance in the camera view. In this paper, we propose to learn multiple adaptive correlation filters with both long-term and short-term memory of target appearance for robust object tracking. First, we learn a kernelized correlation filter with an aggressive learning rate for locating target objects precisely. We take into account the appropriate size of surrounding context and the feature representations. Second, we learn a correlation filter over a feature pyramid centered at the estimated target position for predicting scale changes. Third, we learn a complementary correlation filter with a conservative learning rate to maintain long-term memory of target appearance. We use the output responses of this long-term filter to determine if tracking failure occurs. In the case of tracking failures, we apply an incrementally learned detector to recover the target position in a sliding window fashion. Extensive experimental results on large-scale benchmark datasets demonstrate that the proposed algorithm performs favorably against the state-of-the-art methods in terms of efficiency, accuracy, and robustness.

中文翻译：

---

用于对象跟踪的具有长期和短期记忆的自适应相关滤波器

对象跟踪具有挑战性，因为目标对象通常会随着时间的推移发生剧烈的外观变化。最近，自适应相关滤波器已成功应用于对象跟踪。然而，依赖于高度自适应相关滤波器的跟踪算法容易因噪声更新而发生漂移。此外，由于这些算法不保持目标外观的长期记忆，它们无法从摄像机视图中严重遮挡或目标消失引起的跟踪失败中恢复。在本文中，我们建议学习多个具有目标外观的长期和短期记忆的自适应相关滤波器，以实现稳健的对象跟踪。首先，我们学习了一个具有积极学习率的核相关滤波器，用于精确定位目标对象。我们考虑了周围上下文的适当大小和特征表示。其次，我们在以估计目标位置为中心的特征金字塔上学习相关滤波器，用于预测尺度变化。第三，我们学习了一个具有保守学习率的互补相关滤波器，以保持目标外观的长期记忆。我们使用这个长期滤波器的输出响应来确定是否发生跟踪失败。在跟踪失败的情况下，我们应用增量学习检测器以滑动窗口方式恢复目标位置。在大规模基准数据集上的大量实验结果表明，所提出的算法在效率、准确性和鲁棒性方面优于最先进的方法。我们在以估计目标位置为中心的特征金字塔上学习相关滤波器，用于预测尺度变化。第三，我们学习了一个具有保守学习率的互补相关滤波器，以保持目标外观的长期记忆。我们使用这个长期滤波器的输出响应来确定是否发生跟踪失败。在跟踪失败的情况下，我们应用增量学习检测器以滑动窗口方式恢复目标位置。在大规模基准数据集上的大量实验结果表明，所提出的算法在效率、准确性和鲁棒性方面优于最先进的方法。我们在以估计目标位置为中心的特征金字塔上学习相关滤波器，用于预测尺度变化。第三，我们学习了一个具有保守学习率的互补相关滤波器，以保持目标外观的长期记忆。我们使用这个长期滤波器的输出响应来确定是否发生跟踪失败。在跟踪失败的情况下，我们应用增量学习检测器以滑动窗口方式恢复目标位置。在大规模基准数据集上的大量实验结果表明，所提出的算法在效率、准确性和鲁棒性方面优于最先进的方法。我们学习了一个具有保守学习率的互补相关滤波器，以保持目标外观的长期记忆。我们使用这个长期滤波器的输出响应来确定是否发生跟踪失败。在跟踪失败的情况下，我们应用增量学习检测器以滑动窗口方式恢复目标位置。在大规模基准数据集上的大量实验结果表明，所提出的算法在效率、准确性和鲁棒性方面优于最先进的方法。我们学习了一个具有保守学习率的互补相关滤波器，以保持目标外观的长期记忆。我们使用这个长期滤波器的输出响应来确定是否发生跟踪失败。在跟踪失败的情况下，我们应用增量学习检测器以滑动窗口方式恢复目标位置。在大规模基准数据集上的大量实验结果表明，所提出的算法在效率、准确性和鲁棒性方面优于最先进的方法。我们应用增量学习检测器以滑动窗口方式恢复目标位置。在大规模基准数据集上的大量实验结果表明，所提出的算法在效率、准确性和鲁棒性方面优于最先进的方法。我们应用增量学习检测器以滑动窗口方式恢复目标位置。在大规模基准数据集上的大量实验结果表明，所提出的算法在效率、准确性和鲁棒性方面优于最先进的方法。