【目标跟踪: 相关滤波器三】循环矩阵

最新推荐文章于 2023-04-08 16:10:01 发布

Kena_M

最新推荐文章于 2023-04-08 16:10:01 发布

阅读量7.2k

点赞数 6

分类专栏：图像跟踪文章标签：算法循环矩阵相关滤波

本文链接：https://blog.csdn.net/Kena_M/article/details/53982073

版权

图像跟踪专栏收录该内容

5 篇文章 5 订阅

订阅专栏

循环矩阵

充分利用循环矩阵及其特性的是核相关滤波跟踪算法的另一个重要特征，它不仅涉及到目标采样，而且巧妙的将目标特征的频域空间与岭回归相结合，实现了目标特征的快速学习与检测。

首先考虑一维样本的情况，设 ${\bf{x}} = [{x_0},{x_1},{x_2}, \cdots ,{x_{N - 1}}]$ 表示一行图像像素样本， ${\bf{x}}$ 的循环矩阵表示为：

X = C (x) = ⎡ ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ x 0 x N - 1 x N - 2 ⋮ x 1 x 1 x 0 x N - 1 ⋮ x 2 x 2 x 1 x 0 ⋮ x 3 \dots \dots \dots ⋱ \dots x N - 1 x N - 2 x N - 3 ⋮ x 0 ⎤ ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ (1)

${\bf{X}} = C({\bf{x}}) = \left[ {\matrix{ {{x_0}} & {{x_1}} & {{x_2}} & \cdots & {{x_{N - 1}}} \cr {{x_{N - 1}}} & {{x_0}} & {{x_1}} & \cdots & {{x_{N - 2}}} \cr {{x_{N - 2}}} & {{x_{N - 1}}} & {{x_0}} & \cdots & {{x_{N - 3}}} \cr \vdots & \vdots & \vdots & \ddots & \vdots \cr {{x_1}} & {{x_2}} & {{x_3}} & \cdots & {{x_0}} \cr } } \right]\tag{1}$
其中，

x $\bf{x}$ 又称为

X $\bf{X}$ 的生成向量。

循环矩阵有一个重要的性质为：任意循环矩阵均可以被离散傅立叶变换矩阵对角化，即：

X = C (x) = F \cdot d i a g (F (x)) \cdot F H (2)

${\bf{X}} = C({\bf{x}}) = {\bf{F}} \cdot diag\left( {{\cal F}({\bf{x}})} \right) \cdot {{\bf{F}}^{\rm{H}}}\tag{2}$
其中，

F(⋅) ${\cal F}( \cdot )$ 表示离散傅立叶变换(Discrete Fourier Transform, DFT)，

F ${\bf{F}}$ 表示DFT矩阵，具有如下形式：

F = 1 n \sqrt ⎡ ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ 111 ⋮ 1 1 w w 2 ⋮ w N - 1 1 w 2 w 4 ⋮ w 2 (N - 1) \dots \dots \dots ⋱ \dots 1 w N - 1 w 2 (N - 1) ⋮ w (N - 1) 2 ⎤ ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ (3)

${\bf{F}} = {1 \over {\sqrt n }}\left[ {\matrix{ 1 & 1 & 1 & \cdots & 1 \cr 1 & w & {{w^2}} & \cdots & {{w^{N - 1}}} \cr 1 & {{w^2}} & {{w^4}} & \cdots & {{w^{2(N - 1)}}} \cr \vdots & \vdots & \vdots & \ddots & \vdots \cr 1 & {{w^{N - 1}}} & {{w^{2(N - 1)}}} & \cdots & {{w^{{{(N - 1)}^2}}}} \cr } } \right]\tag{3}$
其中，

w=e−j2π/N $w = e^{ - j{{2\pi}} /N}$ 为旋转因子，且

F ${\bf{F}}$ 是一个酉矩阵，满足

FHF=FFH=I ${{\bf{F}}^{\rm{H}}}{\bf{F}} = {\bf{F}}{{\bf{F}}^{\rm{H}}} = {\bf{I}}$ 。式(1)的证明过程见文献[49]. 通过式（2.7），以及

F ${\bf{F}}$ 的性质，可以继续推导出循环矩阵具有以下特性：

已知 ${\bf{A}},{\bf{B}}$ 都为循环矩阵，其生成向量分别是 ${\bf{a}},{\bf{b}}$ ，且具有相同的向量长度，则有以下公式成立：

$A + B = C (a + b) (4)$ ${\bf{A}} + {\bf{B}} = C({\bf{a}} + {\bf{b}})\tag{4}$
$A \cdot B = C (F - 1 (F (a) ⊙ F (b))) (5)$ ${\bf{A}} \cdot {\bf{B}} = C\left( {{{\cal F}^{ - 1}}\left( {{\cal F}({\bf{a}}) \odot {\cal F}({\bf{b}})} \right)} \right)\tag{5}$
其中 ${{\cal F}^{ - 1}}( \cdot )$ 表离散傅立叶反变换(IDFT)， $\odot$ 表对位相乘运算。

证明：

$A + B = F \cdot d i a g (F (a)) \cdot F H + F \cdot d i a g (F (b)) \cdot F H = F \cdot d i a g (F (a) + F (b)) \cdot F H = C (F - 1 (F (a) + F (b))) = C (a + b)$ $\displaylines{ {\bf{A}} + {\bf{B}} = {\bf{F}} \cdot diag\left( {{\cal F}({\bf{a}})} \right) \cdot {{\bf{F}}^{\rm{H}}} + {\bf{F}} \cdot diag\left( {{\cal F}({\bf{b}})} \right) \cdot {{\bf{F}}^{\rm{H}}} \cr = {\bf{F}} \cdot diag\left( {{\cal F}({\bf{a}}) + {\cal F}({\bf{b}})} \right) \cdot {{\bf{F}}^{\rm{H}}} \cr = C\left( {{{\cal F}^{ - 1}}\left( {{\cal F}({\bf{a}}) + {\cal F}({\bf{b}})} \right)} \right) \cr = C\left( {{\bf{a}} + {\bf{b}}} \right) \cr}$
$A \cdot B = F \cdot d i a g (F (a)) \cdot F H \cdot F \cdot d i a g (F (b)) \cdot F H = F \cdot d i a g (F (a)) \cdot d i a g (F (b)) \cdot F H = F \cdot d i a g (F (a) ⊙ F (b)) \cdot F H = C (F - 1 (F (a) ⊙ F (b)))$ $\displaylines{ {\bf{A}} \cdot {\bf{B}} = {\bf{F}} \cdot diag\left( {{\cal F}({\bf{a}})} \right) \cdot {{\bf{F}}^{\rm{H}}} \cdot {\bf{F}} \cdot diag\left( {{\cal F}({\bf{b}})} \right) \cdot {{\bf{F}}^{\rm{H}}} \cr = {\bf{F}} \cdot diag\left( {{\cal F}({\bf{a}})} \right) \cdot diag\left( {{\cal F}({\bf{b}})} \right) \cdot {{\bf{F}}^{\rm{H}}} \cr = {\bf{F}} \cdot diag\left( {{\cal F}({\bf{a}}) \odot {\cal F}({\bf{b}})} \right) \cdot {{\bf{F}}^{\rm{H}}} \cr = C\left( {{{\cal F}^{ - 1}}\left( {{\cal F}({\bf{a}}) \odot {\cal F}({\bf{b}})} \right)} \right) \cr}$
证毕
已知 ${\bf{X}}$ 为循环矩阵，其生成向量为 ${\bf{x}}$ ，且向量元素为实数，则有以下公式成立：

$X T = F \cdot d i a g (F * (x)) \cdot F H (6)$ ${{\bf{X}}^{\rm{T}}} = {\bf{F}} \cdot diag\left( {{{\cal F}^ * }({\bf{x}})} \right) \cdot {{\bf{F}}^{\rm{H}}}\tag{6}$
$X - 1 = F \cdot d i a g (F (x)) - 1 \cdot F H (7)$ ${{\bf{X}}^{ - 1}} = {\bf{F}} \cdot diag{\left( {{\cal F}({\bf{x}})} \right)^{ - 1}} \cdot {{\bf{F}}^{\rm{H}}}\tag{7}$

证明：由于已知 ${\bf{X}}$ 为实矩阵，即 ${\bf{X}} = {{\bf{X}}^ * }$ ，且 ${\bf{F}}$ 为对称酉矩阵，则：

$X T = (F \cdot d i a g (F (x)) \cdot F H) T = (F H) T \cdot d i a g (F (x)) \cdot F T = F * \cdot d i a g (F (x)) \cdot F T = (F * \cdot d i a g (F (x)) \cdot F T) * = F \cdot d i a g (F * (x)) \cdot F H$ $\displaylines{ {{\bf{X}}^{\rm{T}}} = {\left( {{\bf{F}} \cdot diag\left( {{\cal F}({\bf{x}})} \right) \cdot {{\bf{F}}^H}} \right)^{\rm{T}}} \cr = {({{\bf{F}}^{\rm{H}}})^{\rm{T}}} \cdot diag\left( {{\cal F}({\bf{x}})} \right) \cdot {{\bf{F}}^{\rm{T}}} \cr = {{\bf{F}}^ * } \cdot diag\left( {{\cal F}({\bf{x}})} \right) \cdot {{\bf{F}}^{\rm{T}}} \cr = {\left( {{{\bf{F}}^ * } \cdot diag\left( {{\cal F}({\bf{x}})} \right) \cdot {{\bf{F}}^{\rm{T}}}} \right)^ * } \cr = {\bf{F}} \cdot diag\left( {{{\cal F}^ * }({\bf{x}})} \right) \cdot {{\bf{F}}^{\rm{H}}} \cr}$
$X - 1 = (F \cdot d i a g (F (x)) \cdot F H) - 1 = (F H) - 1 \cdot d i a g (F (x)) - 1 \cdot F - 1 = F \cdot d i a g (F (x)) - 1 \cdot F H$ $\displaylines{ {{\bf{X}}^{ - 1}} = {\left( {{\bf{F}} \cdot diag\left( {{\cal F}({\bf{x}})} \right) \cdot {{\bf{F}}^{\rm{H}}}} \right)^{ - 1}} \cr = {\left( {{{\bf{F}}^{\rm{H}}}} \right)^{ - 1}} \cdot diag{\left( {{\cal F}({\bf{x}})} \right)^{ - 1}} \cdot {{\bf{F}}^{ - 1}} \cr = {\bf{F}} \cdot diag{\left( {{\cal F}({\bf{x}})} \right)^{ - 1}} \cdot {{\bf{F}}^{\rm{H}}} \cr}$
证毕
已知 ${\bf{X}}$ 为循环矩阵，其生成向量为 ${\bf{x}}$ ， ${\bf{y}}$ 为与 ${\bf{x}}$ 具有相同向量长度的向量，则有以下公式成立：

$F (X y) = F * (x) ⊙ F (y) (8)$ ${\cal F}({\bf{Xy}}) = {{\cal F}^ * }({\bf{x}}) \odot {\cal F}({\bf{y}})\tag{8}$

证明：

$X y = C (x) y = ⎡ ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ x 0 x N - 1 x N - 2 ⋮ x 1 x 1 x 0 x N - 1 ⋮ x 2 x 2 x 1 x 0 ⋮ x 3 \dots \dots \dots ⋱ \dots x N - 1 x N - 2 x N - 3 ⋮ x 0 ⎤ ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎡ ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ y 0 y 1 y 2 ⋮ y N - 1 ⎤ ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥$ ${\bf{Xy}} = C({\bf{x}}){\bf{y}} = \left[ {\matrix{ {{x_0}} & {{x_1}} & {{x_2}} & \cdots & {{x_{N - 1}}} \cr {{x_{N - 1}}} & {{x_0}} & {{x_1}} & \cdots & {{x_{N - 2}}} \cr {{x_{N - 2}}} & {{x_{N - 1}}} & {{x_0}} & \cdots & {{x_{N - 3}}} \cr \vdots & \vdots & \vdots & \ddots & \vdots \cr {{x_1}} & {{x_2}} & {{x_3}} & \cdots & {{x_0}} \cr } } \right]\left[ {\matrix{ {{y_0}} \cr {{y_1}} \cr {{y_2}} \cr \vdots \cr {{y_{N - 1}}} \cr } } \right]$
上式可以表示为向量 ${\bf{\tilde x}} = {[{x_0},{x_{N - 1}},{x_{N - 2}}, \cdots ,{x_1}]^{\rm{T}}}$ 与向量 ${\bf{y}}$ 的循环卷积，即：
$X y = C (x) y = x ~ \otimes y$ ${\bf{Xy}} = C({\bf{x}}){\bf{y}} = {\bf{\tilde x}} \otimes {\bf{y}}$
其中 $\otimes$ 表示循环卷积。
令 ${{\bf{F}}_{{\bf{\tilde xy}}}} = {\cal F}({\bf{\tilde x}} \otimes {\bf{y}})$ ， ${{\bf{F}}_{{\bf{\tilde x}}}} = {\cal F}({\bf{\tilde x}})$ ， ${{\bf{F}}_{\bf{y}}} = {\cal F}({\bf{y}})$ ，根据卷积定理，有 $F x ~ y (n) = F x ~ (n) \cdot F y (n)$ ${{\bf{F}}_{{\bf{\tilde xy}}}}(n) = {{\bf{F}}_{{\bf{\tilde x}}}}(n) \cdot {{\bf{F}}_{\bf{y}}}(n)$
即
$F x ~ y = F x ~ ⊙ F y = F (x ~) ⊙ F (y)$ ${{\bf{F}}_{{\bf{\tilde xy}}}} = {{\bf{F}}_{{\bf{\tilde x}}}} \odot {{\bf{F}}_{\bf{y}}} = {\cal F}({\bf{\tilde x}}) \odot {\cal F}({\bf{y}})$
根据DFT的定义，
$F x ~ (u) = \sum n = 0 N - 1 x ~ (n) w n u = x 0 w 0 + x N - 1 w u + x N - 2 w 2 u + \dots + x 1 w (N - 1) u = x 0 w (N - N) u + x 1 w (N - 1) u + x 2 w (N - 2) u + \dots + x N - 1 w u = \sum n = 0 N - 1 x n w (N - n) u$ $\displaylines{ {{\bf{F}}_{{\bf{\tilde x}}}}(u) = \sum\limits_{n = 0}^{N - 1} {{\bf{\tilde x}}(n){w^{nu}}} \cr = {x_0}{w^0} + {x_{N - 1}}{w^u} + {x_{N - 2}}{w^{2u}} + \cdots + {x_1}{w^{(N - 1)u}} \cr = {x_0}{w^{(N - N)u}} + {x_1}{w^{(N - 1)u}} + {x_2}{w^{(N - 2)u}} + \cdots + {x_{N - 1}}{w^u} \cr = \sum\limits_{n = 0}^{N - 1} {{x_n}{w^{(N - n)u}}} \cr}$
利用旋转因子 $w$ 的周期性，
$w N = e - j 2 π N N = 1; w (N - n) u = w N u \cdot w - n u = (w N) u \cdot w - n u = w - n u$ $\displaylines{ {w^N} = {e^{ - j{{2\pi } \over N}N}} = 1; \cr {w^{(N - n)u}} = {w^{Nu}} \cdot {w^{ - nu}} = {\left( {{w^N}} \right)^u} \cdot {w^{ - nu}} = {w^{ - nu}} \cr}$
可得：
$F x ~ (u) = \sum n = 0 N - 1 x n w - n u$ ${{\bf{F}}_{{\bf{\tilde x}}}}(u) = \sum\limits_{n = 0}^{N - 1} {{x_n}{w^{ - nu}}}$
而向量 ${\bf{x}}$ 的DFT表达式为：
$F x (u) = \sum n = 0 N - 1 x (n) w n u = \sum n = 0 N - 1 x n w n u$ ${{\bf{F}}_{\bf{x}}}(u) = \sum\limits_{n = 0}^{N - 1} {{\bf{x}}(n){w^{nu}}} = \sum\limits_{n = 0}^{N - 1} {{x_n}{w^{nu}}}$
可以发现， ${F_{{\bf{\tilde x}}}}$ 与 ${F_{\bf{x}}}$ 是互为共轭的关系，由此可得：
$F (X y) = F (x ~) ⊙ F (y) = F * (x) ⊙ F (y)$ ${\cal F}({\bf{Xy}}) = {\cal F}({\bf{\tilde x}}) \odot {\cal F}({\bf{y}}) = {{\cal F}^ * }({\bf{x}}) \odot {\cal F}({\bf{y}})$
证毕

以上几条性质，对相关滤波器的证明非常重要。

Kena_M

关注

6
点赞
踩
47

收藏

觉得还不错? 一键收藏
2
评论
【目标跟踪: 相关滤波器三】循环矩阵

循环矩阵充分利用循环矩阵及其特性的是核相关滤波跟踪算法的另一个重要特征，它不仅涉及到目标采样，而且巧妙的将目标特征的频域空间与岭回归相结合，实现了目标特征的快速学习与检测。首先考虑一维样本的情况，设x=[x0,x1,x2,⋯,xN−1]{\bf{x}} = [{x_0},{x_1},{x_2}, \cdots ,{x_{N - 1}}]表示一行图像像素样本，x{\bf{x}}的循环矩阵表示为： X
复制链接

扫一扫