相关滤波算法中的KCF登场啦

接上一篇：MOSSE相关滤波跟踪算法（二）

参考博客：

相关滤波算法说明

核技巧相关说明

0 基础知识

1. 回顾MOSSE算法：

算法工作流程：

1. 手动或者条件给定第一帧目标区域，提取特征，训练相关滤波器；

2. 对下一帧输入图像裁剪下预测区域，进行特征提取，做FFT运算，与相关滤波器相乘后将结果做IFFT运算，得到输出的响应点，其中最大响应点为该帧目标的位置；

3. 将该帧目标区域加入训练样本中，对相关滤波器进行更新；

4. 重复步骤2、3，即可实现目标跟踪。

2. CSK算法：

在MOSSE算法的基础上扩展了密集采样（加Padding）和kernel-trick。密集采样通过循环矩阵似的图片向量位移，在不增加过多内存的基础上增加样本数。使用核技巧可以在低维度空间完成高纬度空间的计算。

创新点：

1. 使用线性分类器来求解相关滤波，岭回归的方法；

2. 加入了正则项，防止求得的滤波器过拟合；

3. 使用核方法是将低维空间转到高维空间，核技巧是寻找一个核函数简便计算高维空间两点的内积，内积的几何意义是一个矢量在另一个矢量上的投影。

4. 提出循环矩阵，产生了大量的负样本。

1. KCF算法到来

特点：

KCF在CSK算法的基础上拓展了HOG特征，代替原有的特征能取得更好的效果，对图像进行分块，分成最小单位cell后计算一个cell水平梯度和竖直梯度，并将x个cell组成一个block进行归一化，这样做的好处就是忽略平面内部一些大块非边缘信息，也可以减少光照的影响（像素与像素之之间的向量来作为特征，对全局光照的亮暗鲁棒性强）。

补充：

KCF 和 DCF是在特征上采用了多通道，而两者的不同在于采用了不同核函数，KCF使用的是高斯核，DCF采用的是线性核，所以合并起来有优势，速度比KCF快，但效果差一点。

再优化，DSST算法

主要改进点：

1. 引入多特征融合机制，使用的是HOG + CN + 灰度特征；

1. 对尺度的改进，通过图像金字塔，增加了尺度滤波器，实现尺度自适应

小结：

从相关滤波整个发展历程来看，KCF是一个跨时代的算法，至今都还是主流；接下来就是代码的研读了。