理解出错之处望不吝指正。
本文模型就是大名鼎鼎的MOSSE，是CF在tracking的开篇之作。
本段部分摘自百度百科。
两个函数互相关的含义是：对两个函数分别作复数共轭和反向平移并使其相乘的无穷积分，或者说：第一个函数依次作复共轭和平移后与第二个函数相乘的无穷积分。可以证明，两个定义完全等价(可以互相导出)。从物理上看，互相关运算的结果反映了两个信号之间相似性的量度。特别是对于实函数f(x)和h(x)而言，其相关运算相当于求两函数的曲线相对平移1个参变量x后形成的重叠部分与横轴所围区域的面积。
互相关的定义为（上角标
CVPR 2010 MOSSE:《Visual Object Tracking using Adaptive Correlation Filters.》论文笔记 代表共轭）：
CVPR 2010 MOSSE:《Visual Object Tracking using Adaptive Correlation Filters.》论文笔记 由此可见，互相关可以转化为卷积操作：
CVPR 2010 MOSSE:《Visual Object Tracking using Adaptive Correlation Filters.》论文笔记 CVPR 2010 MOSSE:《Visual Object Tracking using Adaptive Correlation Filters.》论文笔记 对于目标跟踪任务来说，问题描述为要找到一个滤波模版h,与输入图像 f 求相关性,得到相关图g。
CVPR 2010 MOSSE:《Visual Object Tracking using Adaptive Correlation Filters.》论文笔记 CVPR 2010 MOSSE:《Visual Object Tracking using Adaptive Correlation Filters.》论文笔记 如上图所示，相关图 g 描述目标响应，越接近目标时值越大。
根据卷积定理，函数互相关的傅里叶变换等于函数傅里叶变换的乘积，这样就可以把互相关操作转化为频域的相乘操作，加速了运算：
CVPR 2010 MOSSE:《Visual Object Tracking using Adaptive Correlation Filters.》论文笔记 然后使用最小二乘法求解
CVPR 2010 MOSSE:《Visual Object Tracking using Adaptive Correlation Filters.》论文笔记 ：
CVPR 2010 MOSSE:《Visual Object Tracking using Adaptive Correlation Filters.》论文笔记 为了使算法更具有鲁棒性，作者对templet frame进行随机的仿射变换，得到8个训练样本，再使用最小化平方和误差，求偏导得0，,从而得到：
CVPR 2010 MOSSE:《Visual Object Tracking using Adaptive Correlation Filters.》论文笔记 之后作者提出了模型的在线更新策略：
CVPR 2010 MOSSE:《Visual Object Tracking using Adaptive Correlation Filters.》论文笔记 CVPR 2010 MOSSE:《Visual Object Tracking using Adaptive Correlation Filters.》论文笔记 CVPR 2010 MOSSE:《Visual Object Tracking using Adaptive Correlation Filters.》论文笔记 
