近兩年跟蹤速度較快的算法有CN[1]，KCF[2]，STC[3]，ODFS[4]等等，均足以滿足現實場景中實時跟蹤的應用
各算法的主要思想：
CN跟蹤器：是CSK[5]跟蹤器的改進算法。它聯合顏色特徵（Color Name）和灰度特徵來描述目標，在文獻[1]作者通過大量的實驗證明了Color Name在視覺跟蹤中的卓越性能，並且對Color Name
進行了PCA降維，去除了Color Name中的冗餘信息，使得對目標的外觀描述更加精確和魯棒。在分類器的訓練中，在CSK算法的代價函數的基礎上引入一個固定的權值貝塔，使得分類器的訓練和更新更加準確和魯棒。CN跟蹤器對很多複雜的視頻序列都有很好的跟蹤結果，比如：光照變化，遮擋，非剛性形變，運動模糊，平面內旋轉，出平面旋轉和背景雜亂。CN跟蹤器也有不足的地方，比如：尺度變化，快速運動，出視角和低分辨率，等視頻的跟蹤效果不佳。
KCF跟蹤器 ：是原CSK跟蹤器的作者對CSK跟蹤器的完善，這裏簡單介紹一下CSK跟蹤器的主要思想。CSK跟蹤器最大亮點就是提出了利用循環移位的方法進行稠密採樣並結合FFT快速的進行分類器的訓練。稠密採樣的採樣方式能提取目標的所有信息，這對目標的跟蹤至關重要。雖然CSK的速度很快，但是CSK只是簡單的使用了灰度特徵，對目標的外觀描述能力顯然不足。對此作者改進了CSK提出了KCF，從原來的單通道灰度特徵換成了多通道Hog特徵。KCF算法通過核函數對多通道的Hog特徵進行了融合，使得訓練所得的分類器對待檢測目標的解釋力更強。KCF跟蹤器對光照變化，遮擋，非剛性形變，運動模糊，背景雜亂和旋轉等視頻均能跟蹤良好，但對尺度變化，快速運動，剛性形變等視頻跟蹤效果不佳。
STC跟蹤器：是一個簡單快速而且魯棒的算法，它利用稠密的空時場景模型來進行跟蹤。在貝葉斯框架下，它利用目標和目標局部的稠密信息的空時關係來建模。置信圖在被計算時考慮了上一幀目標的位置的先驗信息，這有效的減輕了目標位置的模糊。STC跟蹤器使用了最簡單的灰度特徵，但是灰度並不能很好對外觀進行描述。這裏可以改進爲其他比較好的特徵（Color name或者Hog），但是就會遇到多通道特徵融合的問題。一般的Tracking-by-Detection跟蹤算法基本都不能實現尺度的變化，而STC跟蹤器就提出了一種有效的尺度變化方案，也是文章[3]中最大的亮點。這裏簡單介紹一下，通過連續兩幀的目標最佳位置處的置信值的比值來計算當前幀中目標的估計尺度，爲了不引入噪聲和避免過度敏感的自適應引入連續n幀的平均估計尺度最後通過濾波獲得最終的目標估計尺度STC跟蹤器對光照變化，尺度變化，姿勢變化，遮擋，旋轉，背景雜亂和突然運動的視頻都有較好的跟蹤，但對剛性形變，出視角和低分辨率的視頻效果不佳。
ODFS跟蹤器： 是一種簡單而有效的在線判別特徵選擇的算法。通過沿着正樣本的最陡上升梯度和負樣本的最陡下降梯度來迭代優化目標函數，使得弱分類器的輸出最大化。通過這種方式來達到選擇更加魯棒的特徵的目的，並指出MIL[6]通過Bag likelihood的代價函數來選擇特徵不必要性。它整合目標的先驗信息到半監督學習算法中有效的抑制了目標的漂移。ODFS跟蹤器對光照變化，遮擋，姿態變化，陡然運動，旋轉，運動模糊，背景模糊和攝像機抖動的視頻都有較好的跟蹤結果，但對尺度變化，出視角，低分辨率和剛性形變等視頻效果不佳。
參考文獻
[1] Martin Danelljan, Fahad Shahbaz Khan, Michae Felsberg. Adaptive Color Attributes for Real-Time Visual
Tracking. In CVPR, 2014.
[2] João F. Henriques, Rui Caseiro, Pedro Martins. High-Speed Tracking with Kernelized Correlation Filters.
PAMI, 2014.
[3] Kaihua Zhang, Lei Zhang, Qingshan Liu. Fast Visual Tracking via Dense Spatio-Temporal Context Learning.
In ECCV, 2014.
[4] Kaihua Zhang, Lei Zhang, and Ming-Hsuan Yang. Real-time Object Tracking via Online Discriminative
Feature Selection. TIP, 2013.
[5] J. Henriques, R. Caseiro, P. Martins, and J. Batista. Exploiting the circulant structure of tracking-by-detection
with kernels. In ECCV, 2012.
[6] B. Babenko, M.-H. Yang, and S. Belongie. Robust object tracking with online multiple instance learning. IEEE
Trans. Pattern Anal. Mach. Intell., vol. 33, no. 8, pp. 1619–1632, 2011.