本文参考了: An Experimental Survey on Correlation Filter-based Tracking ,High-Speed Tracking with Kernelized Correlation Filters
KCF(核化相关滤波算法)
相关滤波跟踪算法的原理就是在目标场景中寻找目标候选区域中的最高响应值(correlation peak)相关峰值,即目标区域。我们可以看到很
多对相关滤波跟踪改进,大体可以分为以下几个部分:
1、引入更好的训练方案
2、提取更强大的特征
3、减轻尺度变化的影响
4、将目标分块识别
5、结合长期目标跟踪方法
上一篇文章中已经提到了关于核相关跟踪算法的流程,这里将重点结合KCF算法进行说明。
本文主要介绍了核相关滤波中的一种KCF(High-Speed Tracking with Kernelized Correlation Filters)算法,核相关滤波是相对于之前的滤波方法引入核函数和岭(脊)回归(Ridge Regression),想深入了解的可以参考原文献 《An Experimental Survey on Correlation Filter-based Tracking》或者参考leek1727博客: An Experimental Survey on Correlation Filter-based Tracking
1、线性回归(Linear regression):集中于岭回归(Ridge Regression),它承认一个封闭的解,且能够获得更加复杂的方法性能,例如支持向量机(SVM)。我们的目的是训练找到一个函数
能够使样本
与它们回归值
误差平方最小化即求最小化误差平方下w的值。
通过将相关滤波器看作是一个分类器,我们可以通过找到第i个训练样本和它对应的回归目标之间的关系来训练。我们假设他们的关系是通过这样一个函数式得到的,训练问题可以看做是最小化如下这样一个目标函数: