一、摘要
论文提出了一种协同相关跟踪器来解决相关滤波跟踪器跟踪时的尺度变换和模型漂移的问题，首先，论文在相关滤波器的核矩阵中嵌入尺度变换因子来适应尺度变换。然后使用随机样本训练了一种有效的用来检测的新型的长期CUR滤波器，这种滤波器通过在协同跟踪器中有效地检测候选目标来减少模型漂移。通过这种方式，论文中提出的方法可以准确地估计目标的状态并有效的解决尺度变换的问题。
二、介绍
相关滤波目标跟踪方法具有两种局限性，一个是目标尺度变换时跟踪效果不好，一个是长期遮挡和出关注区域后会引起模型漂移。
对于目标尺度变换，Danelljan提出了一种分离的一维相关滤波器来估计目标尺度，但是他们仅仅使用原始的特征空间来作为目标表型。而这篇论文提出了一种多尺度核相关滤波器，其实现方式是在基于分离的金字塔目标表型的核相关滤波器中嵌入尺度变化。此外，基于失败检测的自适应学习速率也有利于学习一个具有鲁棒性的滤波器。
对于模型漂移，一个常见的技巧是引入一个可以选择一些有效候选目标的检测模块来校正基相关跟踪器。这篇论文设计了一个用于检测的新型的在线CUR滤波器。CUR矩阵估计通过使用矩阵实际的行和列来计算给定矩阵的低秩估计，这个方法在大矩阵估计的理论计算科学领域被研究过。在长期跟踪过程中，所有过去的目标表型可以为适应CUR理论的当前帧形成一个大数据矩阵。这个大数据矩阵可以被在线CUR快速估计，在线CUR滤波器不仅可以利用时空领域的目标表型的低秩属性，也可以投影过去的目标表型矩阵到具有误差上界的子空间，从而实现一个具有鲁棒性的目标表型。目标表型的低秩属性在长期跟踪中使普遍的，可以用来减少模型漂移。
这篇论文的主要贡献可以总结为以下两点：
- 通过保留长期目标表型中的具有误差上界并且可以被有效计算的低秩部分，提出了一个用于检测的有效的在线CUR滤波器。
- 提出了一个新型的协同相关跟踪器，通过多尺度核相关滤波器来共同获得目标表型并通过训练好的CUR滤波器来利用长期目标表型。
三、多尺度核相关跟踪
1、损失函数
º是矩阵哈达马积，即两个矩阵对应元素乘积，Scur是当前帧训练样本的大小，Sinit是初始大小，φ是投影函数，将尺寸为Scur的特征表型X投影到尺寸为Sinit的特征表型下。
2、多尺度核相关跟踪滤波器H
Φ是特征投影函数来在频域中计算核矩阵K，X是训练样本在频域中的特征表型。
3、通过插值的方法更新核正则岭回归系数和目标外观
4、自适应学习速率
To是重复率，即多尺度相关滤波器值与检测滤波器最高置信候选目标的值的比值；T是最低重复率。
5、目标位置的获取
最大化相关评分s
S是置信图的最大值
四、在线CUR滤波器
CUR是寻找A的c列子集形成一个矩阵
