还在在费劲搜索哪种跟踪算法可以满足你的需求吗？传统的算法在复杂场景下不太管用？最新最好的又跑得太慢不满足需要？好不容易找到一个好算法，发现只能管平移变换吗？项目就差一个好用的跟踪器了？那你来对地方了！

没有旋转估计怎么办？

        来自AZFT研究中心的计算机视觉与视频分析实验室 (CV2A)的朱建科教授和他的学生李洋博士等，最近提出了一种超级好用的相似变化（Similarity Transformation-based） 跟踪器，满足以上所有你的需要！实时的计算速度！没有复杂的Deep learning设置！没有GPU！简单且完全开源的代码！开箱即用！谁不想要一个像下图一样好用又快速的跟踪器呢！

我们的算法LDES的结果

        该工作通过把旋转和大小估计问题转化成在对数极坐标下的平移问题来完成快速的大小和旋转估计，在理论上扩展了现今最优秀的协滤波跟踪器（Correlation Filter-based Trackers）的表达能力。同时，通过使用块梯度下降法（Block Gradient Descent）对相似变化空间进行搜索，从而解决了传统的对数极坐标不稳定的情况并获得可靠的估计结果。因为在估计大小和旋转时，摒弃了标准的金字塔采样过程，从而大大提高了速度，并且，通过把问题定义为搜索问题从而解决了可靠性和鲁棒性问题，从而得到了好用又快速的跟踪器。除此之外，该工作的大小估计部分可以单独拿出，为其他视觉算法提供大小估计工作，方便大家处理大小估计。与此同时，在关闭旋转估计的情况下，该算法在普通笔记本上可以达到80Fps，并保持不逊色于深度学习系列的实验结果。该工作已被今年的AAAI 2019收录。

        还在等什么呢？妈妈再也不需要担心我找不到好用的跟踪器算法啦，以下是相关链接，小伙伴们快点去试试吧！

作者主页：http://ihpdep.github.io

论文链接：https://arxiv.org/abs/1712.05231

代码链接：https://github.com/ihpdep/LDES