摘要
近年来，基于判别相关滤波器（Discriminative Correlation Filter, DCF）的方法在目标跟踪领域取得了显著进展。然而，在追求不断提高的跟踪性能的过程中，其固有的速度和实时能力逐渐减弱。此外，随着模型复杂度的增加以及大量可训练参数的引入，严重的过拟合风险也随之而来。在这项工作中，我们针对计算复杂性和过拟合问题的关键原因进行了研究，旨在同时提高跟踪速度和性能。我们重新审视了核心的DCF公式，并引入了以下改进措施：（i）因子分解卷积算子，大幅减少了模型中的参数数量；（ii）一种紧凑的训练样本分布生成模型，该模型不仅显著降低了内存和时间复杂度，还提供了更好的样本多样性；（iii）一种保守的模型更新策略，提高了鲁棒性并降低了复杂度。我们在四个基准数据集上进行了全面实验：VOT2016、UAV123、OTB-2015 和 TempleColor。当使用昂贵的深度特征时，我们的跟踪器相比VOT2016挑战赛中排名最高的方法实现了20倍的速度提升，并且在期望平均重叠率（Expected Average Overlap）方面相对提升了13.0%。此外，我们的快速变体使用手工设计的特征，在单个CPU上以60赫兹运行，并在OTB-2015数据集上获得了65.0%的AUC值。