-1.目标视觉跟踪(visual object tracking),根据目标的跟踪方式，跟踪一般可以分为两大类：生产(generative)模型方法和判别(discriminative)模型方法。生成类方法在当前帧对目标区域建模，下一帧寻找与模型最相似的区域就是预测位置，如卡尔曼滤波，粒子滤波，mean-shift等。目前比较流行的是判别类方法，也叫跟踪检测(tracking-by-detection)，当前帧以目标区域为正样本，背景区域为负样本用来训练分类器，下一帧用训练好的分类器找最优区域，经典的判别类方法有Struck和TLD等。最近几年相关滤波方法如CF，KCF/DCF，CN，DSST也比较火。通常目标跟踪主要面临的难点有：外观变化，光照变化，快速运动，运动模糊，背景干扰等。
-2.Online Object Tracking: A Benchmark
论文工作主要有三部分：数据集，代码库，鲁棒性评估。论文主要从表示方式，搜索机制和模型更新三个方面对近年来的跟踪算法进行回顾。参与评估的算法包括：Struck，TLD等经典算法。
包含重新检测模块的TLD跟踪器在长序列的跟踪中效果更好；基于密集抽样的跟踪器（Struck，TLD，CXT）对目标快速运动时效果表现更好；Struck，SCM，TLD，LSK和ASLA等跟踪器的结构化学习和局部稀疏表示对解决遮挡问题效果较好，并且SCM，ASLA和LSK的局部稀疏表示比MTT和L1APG的全局稀疏表示模版更加有效；具有仿射运动模型的跟踪器（如ASLA和SCM）通常比像Struck那种利用少量期望值只描述平移运动的跟踪器能够更好地处理尺度变化；ASLA所采用的配准池技术比未配准和背景杂乱更加鲁棒；CSK采用了循环行列式结构提高跟踪速度； VTD和VTS方法采用了混合模型来提高跟踪性能。
背景信息对有效的跟踪是至关重要的，可以在判别式模型中对背景模型进行编码，或者显式地用作跟踪上下文信息来利用背景信息；局部模型对跟踪是非常重要的，就想局部稀疏表示比全局稀疏表示效果更好；运动模型或者说动态模型在目标跟踪中也是至关重要的，尤其是当目标的运动幅度较大或突然运动时。
-3.High-Speed Tracking with Kernelized Correlation Filters
KCF是一种鉴别式跟踪方法，属于short term tracking，在跟踪过程中训练一个目标检测器，使用目标检测器去检测下一帧预测位置是否为目标，然后再用新检测结果去更新训练集更新检测器。论文使用HOG替换掉了灰度特征，使用核函数，对偶相关滤波进行计算，降低计算量，提高效率。
循环矩阵：KCF中所有的训练样本是由目标样本循环位移得到的，一个样本经过循环矩阵处理之后可以得到许多训练样本。
循环矩阵傅里叶空间对角化：所有的循环矩阵都能够在傅里叶空间中使用离散傅里叶矩阵进行对角化。线性回归训练提速，根据循环矩阵求逆性质，可以把矩阵求逆转化为特征值求逆。
傅里叶对角化简化的岭回归，使用向量的点积运算取代矩阵运算和求逆运算，大大提高了计算速度，岭回归是一种改良的最小二乘回归方法。
核空间的岭回归，找到一个非线性的映射函数列向量，是映射后的样本在新空间中线性可分，那么在新空间中就可以使用岭回归来寻找检测分类器。
优点：通过图片的矩阵循环增加了训练样本，提高了正确率；进行傅里叶变换，避免求逆运算提高计算效率。
缺点：依赖循环矩阵，对尺度变换的目标跟踪效果不好；难以处理高速运动的目标，对相邻帧间目标位移过大效果都不好；对有遮挡的目标模型处理不好。
-4. 基于颜色判别式的跟踪方法
根据特定的机场应用场景，目标的颜色和光照变化缓慢，选用颜色直方图建立判别模型，处理速度较快，但对遮挡和尺寸变化处理效果较差，对跟踪背景限制较大，算法鲁棒性有待进一步提高，初始跟踪窗口相差一个像素跟踪结果相差较大。跟踪效果会随跟踪时间增加而变得越差。一旦干扰抑制项把真正的跟踪目标抑制之后，将会很难调整。跟踪目标由近到远变化时，跟踪窗口不能及时调整会造成跟踪失败。