相关滤波跟踪算法-MOSSE、KCF

0. 写在前面

        接上一篇博客：相关滤波跟踪算法-CSK-CSDN博客

1. CSK与MOSSE、KCF的羁绊

        在MOSSE算法中，过程基本与CSK相似，第一帧初始化加了随机仿射，优化目标没有正则项，最大的区别是训练和检测都没有加padding（主要区别）用来扩展背景信息，仅建模了目标区域；提出一种跟踪置信度评价指标PSR，更新方式是以固定学习率更新分类器参数，但形式略有区别，是滤波器的分子和分母分别更新；

         多通道特征扩展，只需要频域通道响应求和。KCF和DCF将CSK中的单通道灰度特征扩展成多通道的HOG特征，采用HOG+线性核的方法叫做DCF，采用HOG+高斯核的方法叫做KCF，依靠傅里叶变化的快速算法FFT和HOG的快速算法fHOG，KCF、DCF成功起飞。

        同时期Martin大神用多通道颜色特征Color Names(CN)去扩展CSK得到不错的效果。

        HOG是梯度特征，而CN是颜色特征，两者可以互补，所以HOG+CN在近两年的跟踪算法中成为hand-craft特征标配。

2. 小问题

        1. 为什么只用单通道灰度特征的KCF和用多通道HOG特征的KCF速度差异很小？

        作者使用了快速fHOG算法，HOG特征常用cell size是4，意味着，100*100的图像，HOG特征图的维度只有25*25=625像素点，而Raw pixels是灰度图归一化，维度仍然是100*100=10000像素点，27个通道的HOG特征的复杂度是27*625*log(625)=47180，而单通道灰度特征的复杂度是10000*log(10000)=40000；复杂度差不多。

        代码中，作者在扩展后目标区域面积较大时，会先对提取到的图像块做因子2的下采样，编程50*50=2500像素点，这样负责度就变成2500*log(2500)=8495，这种方式的代价就是牺牲了跟踪精度。

        2. HOG特征的KCF和DCF哪个更好？

        加上kernel-trick的KCF，mean precision仅仅提高0.4%，而FPS下降了41%，这么看，其实加了kernel-trick的性价比很低；目标跟踪算法中特征才是最重要的。

3. 总结

        CSK、KCF/DCF和CN就是三种高速的目标跟踪算法，区别在于有没有Kernel-trick和特征（灰度像素、fHOG、ColorNames），也可以任意组合！