相关滤波跟踪（MOSSE）

相关滤波跟踪（MOSSE）

在信号处理中，有这么一个概念——相关性（correlation），用来描述两个因素之间的联系。而相关性又分为cross-correlation（互相关，两个信号之间的联系）和auto-correlation（自相关，本身在不同频域的相关性）。

2010年CVPR，David S.Bolme在文章《visual object tracking using adaptive correlation filters》中首次将相关滤波用在了跟踪领域，在其文章的基础之上，很多改进的算法相继出现，跟踪的效果也越来越好。
在介绍作者的算法之前，先介绍一下相关滤波的原理。
假设有两个信号f和g，则两个信号的相关性（correlation）为：

$$(f\otimes g)(\tau)=\int_\infty^{-\infty}f^*(t)g(t+\tau)dt$$ $$(f\otimes g)(n)=\sum_{-\infty}^\infty f^*[m]g(m+n)$$ 其中 $f^*$表示 $f$的复共轭。correlation的直观解释就是衡量两个函数在某个时刻相似程度。
而将correlation filter应用与跟踪最简单的想法就是：两个信号越相似，其相关值越高。在跟踪，就是找到与跟踪目标响应最大的项。
作者提出的滤波器叫做Minimum Output Sum of Squared Error filter（MOSSE）（误差最小平方和滤波器）。按照前面的思路，我们需要找到一个滤波器，使其在目标上的响应最大，则如下公式：
$$g=f\otimes h$$ 其中g表示响应输出，f表示输入图像，h表示滤波模板。
显然，我们要是想获得比较获得响应输出，只需确定滤波器模板h即可。上式的计算是进行卷积计算，这在计算机中的计算消耗时很大的，因此作者对上式进行快速傅里叶变换（FFT），这样卷积操作经过FFT后就变成了点乘操作，极大的减少了计算量。上式变成如下形式：
$$F(g)=F(f\otimes g)=F(f)\cdot F(h)^*$$
为了方便描述，将上式写成如下形式：
$$G=F\cdot H^*$$
有了上面的式子，那么后面跟踪的任务就是找到 $H^*$了：
$$H^*={G\over F}$$
但是在实际跟踪的过程中我们要考虑到目标的外观变换等因素的影响，所以需要同时考虑目标的m个图像作为参考，从而提高滤波器模板的鲁棒性，所以作者就提出了MOSSE这个模型，其模型公式入下：

minH∗=∑i=1m|H∗Fi−