MOSSE

            MOSSE（Minimum Output Sum of Squared Error filter）是将相关滤波引入视觉跟踪领域的开创性文章，后续有很多跟踪算法基于相关滤波，在本文对MOSSE相关原理做详细介绍，便于后续理解其他相关滤波算法，本文涉及公式推导的详细过程，便于加深对相关滤波的理解。

motivation——相关性定义

两个信号$f$和$i$在时刻$\tau$的相关性(correlation)(即：在时刻$\tau$的相似程度)在信号处理学中定义为：

$$\left( f \otimes i\right)\left( \tau \right) = \int_{-\infty}^{\infty} f^*\left( t\right) i\left( t + \tau\right)dt$$
离散形式为：
$$\left(f \otimes i\right)\left(n\right) = \sum_{-\infty}^{\infty}f^*\left[m\right] i\left( m + n\right)$$

迁移——与跟踪任务相结合

            在object tracking中引入correlation filter，的基本思路是：用初始帧中的目标训练跟踪器(也就是correlation filter)，得到参数矩阵h（后文会做详细解释），在下一帧中通过下式计算得到g，目标bounding box的确定规则：the location corresponding to the maximum value in the correlation output indicates the new position of the target，也就是说输出矩阵g中的最大值对应着目标在下一帧的位置。

$$g = f \otimes h$$
根据 卷积定理，上式可写成如下形式：
$$G = F \odot H^*$$

其中：$F = \mathcal{F}\left( f \right)$   f:输入图像的特征矩阵
               $H = \mathcal{F} \left( h \right)$   h：tracker的参数矩阵
               $\odot$:Element-wise multiplication
               $\otimes$:卷积
                $*$    :The complex conjugate
而在跟踪中，主要是计算H：滤波器参数矩阵，H可以通过下式计算得到：

$$H^* = \frac{G}{F}$$

最小二乘法的引入

理想情况下是，实际上H为目标本身的特征，但是该方法在实际应用中是行不通的，由于下一帧的目标和当前帧的目标特征矩阵不可能完全相同，因此，为了提高跟踪器的鲁棒性，采用最小二乘模型，即MOSSE，因此，H自然成为滤波器参数矩阵(此处的h的含义是在最小二乘中的含义，是更上层的含义，与直观的目标本身的特征不同，它代表的是与待跟踪目标最相似的群体的特征的集合的综合表示，可以这么理解，整数表示所用整数型数字的集合，集合中的数字，相当于特定的目标特征矩阵，而整数代表H参数模型)，引入MOSSE模型如下，尽可能使预测的结果矩阵和标签矩阵接近：