参考博客:
0 基础知识:
接上一篇 单目标跟踪综述,本文主要从MOSSE算法开始追溯相关滤波算法的起源(ps.这里让我想到了刺客信条里的起源)。
1. 先理解 相关操作和卷积操作,互为相关是用来度量两个信号在某个时刻的相似程度,对于机器视觉领域来说就是指两个图像patch的互相匹配的程度。
2. 相关操作
图像的相关公式: g = f ○ h(相关) ,其中h称为相关核kernel具体到每个像素表示为:
3. 卷积操作
图像卷积操作: g = f * h,其中h称为卷积核kernel,具体到每个像素表示为:
*异同点:
与相关最大的不同就是:将卷积核围绕中心旋转180°,再进行与相关滤波一样的操作。
相关和卷积的差异:
(1)卷积核需要旋转180°;
(2)物理含义:相关性可以反映两个信号相似程度,卷积不可以;
(3)卷积满足交换律:f * h = h*f ,相关不行;
(4)卷积可以直接通过卷积定理:时域上的卷积等于频域上的乘积来加速运算,相关不可以。
1 相关滤波跟踪器的底层原理
相关滤波跟踪器就是通过互相关来定位目标当前帧所在位置,响应图g最大值对应的位置即为当前时刻预测的目标位置。具体流程如下:
Step1:将相关公式中的相关核旋转180°变成卷积运算;
Step2:利用卷积定理转换到频域,时域上的卷积等于频域上的乘积;
Step3: 将频域内算出的结果变换回时域,则得到响应图。
细节说明:
-
输入的图像是指 目标检测区域,可能是像素值也可能是提取的特征(eg.Hog,CN,DeepFeatures等等);
-
滤波器的大小和检测区域的大小一样,因为大小一样的矩阵在频域上才可以进行点乘计算;
-
当滤波器稍微偏移就会超出输入图像的范围,则需要填充数据(这就是卷积的边界效应)。一般有三种填充方法:补零、补边界像素、循环图像。