KCF目标跟踪算法学习

1. 脊回归(英文名:Ridge Regression)

从数学角度来讲,脊回归实质上是一种改良的最小二乘估计法,通过放弃最小二乘法的无偏性,以损失部分信息、降低精度为代价获得回归系数更为符合实际、更可靠的回归方法,对病态数据的拟合要强于最小二乘法。

从机器学习的角度来讲,脊回归可以防止过拟合,提升模型的泛化能力(不仅训练误差小,测试误差也小。)。参考链接:点击打开链接

设训练样本集为(xi,yi),线性回归方程为

w是列向量表示权重系数。可通过脊回归求解:


公式(1)写成矩阵形式如下:


下标解释:n是训练样本的个数,m是每个训练样本的维度。

2. 循环矩阵

KCF中所有训练样本都是由base sample(a positive example)循环移位得到的。一维信号的循环移位如下:

二维信号(图片)的循环移位:通过在x轴和y轴分别进行移位实现二维信号的移位。

输入图片:


MATLAB代码:

base = imread('D:\Documents\Pictures\timg.jpg');

imshow(base)

base_gray = rgb2gray(base);

base_gray_double = im2double(base_gray);

P = zeros(223,223);

for i=2:223 P(i,i-1)=1; end

P(1,end)=1;

Q = zeros(224,224);
for i=1:223 Q(i,i+1)=1; end
Q(end,1)=1;

out1 = P^50*base_gray_double; 下移50位

out2 = base_gray_double*Q^50;右移50位

out3 = P^50*base_gray_double*Q^50;右移,下移50位


  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值