定义
Struck Tracker是一种基于tracking-by-detection策略的经典的目标跟踪算法（即tracker）[1]，在2012年深度学习流行前属于顶尖的水平[2,3]。
基于tracking-by-detection的目标跟踪算法，核心思想是将跟踪问题转化一种二进制的分类问题，并通过在线学习（online learning）策略来更新目标模型。典型的算法过程如图1所示，具体如下：
- 在第一帧中用矩形框出目标位置标记为目标，并选取若干周围矩形框按照一定的标准标记为目标和背景样本；
- 根据不同样本的图像特征构建一个目标模型，目标模型评分越高代表是目标可能性越大；
- 根据前一帧的目标位置生成当前帧的目标候选位置，选取评分最高的候选位置作为当前帧的目标位置。
- 基于各个候选位置评分结果以及具体更新策略目标模型的更新。
图 1 典型的tracking-by-detection的目标跟踪算法框架
Struck目标跟踪算法与上述传统方法的区别在于对第2-3步进行了改进，具体原因是传统方法一般通过目标模型评分阈值，将样本分为正样本（目标）以及负样本（背景），容易发生错误划分；且所有样本的等权重，致使错误的样本标签对跟踪结果的影响较大。Struck算法基于结构化SVM策略来构建一个预测函数，直接预测目标位置的帧间变化，取代传统的二值分类，避免中间分类环节对结果的干扰，及大地提高了跟踪的准确率。
详细的算法过程和公式推导请参考文献[3]。
参考文献
[1] Hare S, Golodetz S, Saffari A, et al. Struck: Structured output tracking with kernels[J]. IEEE transactions on pattern analysis and machine intelligence, 2015, 38(10): 2096-2109.
[2] Wu Y, Lim J, Yang M H. Online object tracking: A benchmark [C]// CVPR, 2013.
[3] Wu Y, Lim J, Yang M H. Object tracking benchmark [J]. TPAMI, 2015.
