论文地址：Real-time part-based visual trackingvia adaptive correlation filters
论文总结
本文方法名为RPAC。
文中提出一种基于KCF的part-based跟踪方法，通过跟踪各个part，综合得到最后的位置和跟踪目标跟踪大小。同时，在学习策略的时候，在通过表示知晓目标已被遮挡时，可以通过停止迭代学习器和跟踪特征来避免“噪声”的引入。
多个part的引入，使得RPAC可以动态改变跟踪边框的大小。
论文内容
传统的相关滤波跟踪器无法解决遮挡问题，如果存在遮挡，很容易丢失跟踪目标。part-based跟踪方法的提出，是为了更好地解决部分遮挡问题。Part-based方法的主旨为：当目标部分被遮挡时，剩余部分仍是可靠的。
RPAC的方案为每个part使用一个kcf跟踪器去跟踪，然后通过一个方案去合并各个part。根据每个跟踪器的PSR，每个KCF跟踪器可以以PSR为依据，赋予迭代器不同的学习率。
每一个part都有属于其的权重系数，以此让置信度更高的part为目标的位置贡献更大一些，权重的公式推导如下图所示。
由于跟踪问题研究的都是long-term跟踪，所以需要一些方法去解决遮挡带来的迭代器错误学习的问题。RPAC使用的策略为，利用PSR和SCCM作为遮挡判断的依据（通过实验，作者发现PSR值在5左右时跟踪效果不可靠，SCCM在大于0.5时可能发生了眼中的遮挡），在检测到遮挡时，则停止迭代分类器和特征；在本文中，阈值设为了7。（通过两个跟踪不可靠的指标，以及公式5推导得到）
最后通过公式4得到的confidence map进行目标的跟踪判断；但该部分我暂时不感兴趣，在文中的3.4部分。
实验结果
KCF为360帧每秒，RPAC方法为30帧每秒。
