（最通俗易懂的）目标跟踪MOSSE、KCF

引言

我们在研究目标跟踪前先要了解它分为哪几类，以及大体思路是什么？
分类：①目标建模；②前景背景识别。
思路：①目标建模的思路是首先我们用一些手段把我们想要跟踪的目标“框出来”。例如：我们要跟踪视频中的一个人，我们可以在电脑端用鼠标画框把视频第一帧的人框出来（这个看算法怎么设置的），然后算法就会根据我们框出的目标建立一个模型。在之后的视频帧，算法会根据我们之前建立的人的模型，找视频帧中与其最相似的图像块，然后输出这个图像块的位置，每个帧的位置信息都有了，组成视频后，我们就会发现那个框框在跟着人在运动，这样我们便实现了跟踪。
②前景背景识别主要技术路线是通过一定的技术将前景（需要跟踪的目标）和背景（我们不关心的场景信息）分开。例如：一个视频中只有一个运动的人，其他都不动，我们可以直接检测图像灰度值的变化，发生变化的地方就是我们需要跟踪的人的边缘。

跟踪中常出现的问题：1.遮挡：目标被其他物体遮挡，模板匹配不到物体，（你可能会说，过一会物体出来了再跟上不就好了。不是这样的，模板会根据当前帧目标在不断更新，如果跟不上，它停在了遮挡物处，那么过几帧以后，这个模板就成了遮挡物的模板了，跟着遮挡物走了）。2.目标旋转：例如之前跟着人脸，结果他一转身，就成了跟着后脑勺了，完全跟不上。3.光照变化：二郎研究过这一块的，图像去阴影去雨去雪，但是话又说回来了，图像增强后，人眼看着舒服了，但是机器可能不认。4.运动模糊：有重影了，到底哪个是目标，人都没法确认，何况算法。

上面非常直接地告诉了大家思路，那么之后的所有算法都是在这两个思路实现的过程中产生的。

预备知识：
1.相关滤波
从字面意思理解为：用滤波的方法获得两个对象的相关性（图像中的区域与所需目标的相关性）。滤波就相当于筛子，把符合的目标找出来（例如找凸显边缘的canny滤波）。
滤波器和图像做卷积，卷积后我们的图像变成了响应图像，和原图像尺寸一致，这个响应图像的黄色部分代表最大响应值，目前来看我们这个滤波器是鼻子的模板，跟踪鼻子。

第一章 目标跟踪MOSSE

1.Bolme 等人在 2010 年提出了基于相关滤波器的输出误差最小平方和跟踪算法（Minimum Output Sum of Squared Error，MOSSE）。该算法属于目标建模算法。基于MOSSE滤波器的跟踪方法对照明、缩放、姿态和非刚性变形不敏感，其运行速度为669帧/秒。
为了有效解决训练过程中的样本贫化问题，Henquriques 等人在 MOSSE 跟踪算法的基础上，提出循环结构跟踪算法（CSK）和核相关滤波跟踪算法（KCF）。

2.基本的跟踪算法流程
①确定跟踪目标，建立响应图g1
是的，初始的响应图不是滤波出来的，而是自己创建的。
等同于你在用鼠标画框，程序自动建立了一个响应图，把响应值最大的位置定在画框的中心。响应图直接是中心为1，其他位置都为0？不是这样的，这样是无法反映以中心向四周的响应逐渐递减的过程。可以用高斯函数，做一个山丘，山顶（画框中心）响应最大，然后向四周响应越来越小。
②利用G1和图像F1，反推滤波器H1
H1=G1/F1
③得到H1以后，就可以通过图像第二帧f2和滤波器h1的卷积获得响应函数G2;
f2（卷积）h1=G2
④用G2更新滤波器，得到滤波器H2

这是基础的步骤，下面来看下MOSSE在其中加了哪几步。

3.添加步骤
①单纯来看，只利用第一帧出画框得来的初始滤波器h1只能满足一个比较独立的任务，换一个人，或者也就变变发型，它可能就跟不上了（过拟合），我们需要建立一个类似于ASEF的滤波器的初始滤波器H*，避免过拟合问题。
ASEF ，是Average of Synthetic Exact Filters 的简称，可译为合成平均滤波器。
下图是为了跟踪人眼而创建的滤波器，可以看出，主要思想是平均。
图片来源：
https://blog.csdn.net/kaka_36/article/details/18353155

因此在第一步确定跟踪目标时，不是简单地在第一帧画框，而是给出多个训练集（例如跟踪人，给出多个人的图片fi，都是标注好的，带有响应函数gi）
因此我们可以得到多个图的滤波器hi

然后我们在多个滤波器中找到适合大部分图像的那个滤波器，利用最小化法

这里最小化是逐个选H*，带入到公式（然求得的响应函数与原初始的响应函数差最小），获得最佳H*。
如何求这个最小法呢？对整个公式求导，

然后变化，可得

这里的求导不理解没关系，和算法的整体没有太大联系，只是求最小化问题的一种方法。
之后作者原文还写了一些其他求最小化问题的方法，例如像ASEF一样做平均

②
在更新滤波器的时候，为了得到更鲁棒的滤波器，参考ASEF平均值法，设计了新的方法。
这里有一点需要说明，下面的i可和上面的i不是一个概念。上面的i是训练集的多个图像，而下面的是当前帧，i-1表示上一个帧。初始的第一个帧是上面方法获得的。
ASEF平均值法迭代

MOSSE的方法

其中η是学习率，原文取值0.125。可以看出我们接收当前帧变化的0.125的信息，接收上一帧0.975的信息，表明这个过程还是以初始帧为主，不允许出现较大的变化，只是微调（也可能是这里的0.125在微调中算是学习率比较大的了）。
这里有个在线学习的概念，意思是边跟踪，边更新我们的滤波器。一边应用一边更新。

未完待续……（KFC）