dengheCSDN的博客

有这样一段话，刚开始不好理解：根据傅里叶变换理论

最近做相关滤波跟踪遇到了瓶颈，所以想重新把基础知识梳理一遍。      看了不少解释，我的理解是，在信号处理中采用复信号表示法主要是为了数学处理的方便，因为若采用实信号表示法，当对信号进行处理时，将会产生大量的“交叉项”，这会给系统的分析带来一定的复杂性，而这个问题通过采用复信号表示法可以得到减轻，而且由于复信号的实部和虚部正好与接收机中的同相支路（I）和正交支路（Q）相对应，所以在系统中采用

本文参考链接：https://www.zhihu.com/question/23234701/answer/26017000https://zhuanlan.zhihu.com/wille/19763358http://blog.sina.com.cn/s/blog_5dfd405d0101iyq7.htmlhttp://blog.163.com/lipan465@126/

形象的解释：      就常识上来讲，系统的响应，不仅与当前时刻系统的输入有关，还有之前的若干输入有关。也就是说，每一个输入信号都会对输出值产生影响，但影响的程度不尽相同，而这个影响程度的大小，就是权值，也就是卷积核（图像处理中，称之为卷积滤波器）。将每一个输入信号乘以权值，然后叠加，就得到了最后的输出响应。      在现实生活中，卷积是有诸多种意义的，比如增加、合成或者旋转等。不用去深

1、概念      相关函数是描述信号X(s),Y(t)（这两个信号可以是随机的，也可以是确定的）在任意两个不同时刻s、t的取值之间的相关程度。两个信号之间的相似性大小用相关系数来衡量。定义：      称为变量 X 和 Y 的相关系数。若相关系数 = 0，则称 X与Y 不相关。相关系数越大，相关性越大，但肯定小于或者等于1.。相关函数分为自相关和互相关。下面一一介绍（1）

最近，一直在研究视觉追踪图像处理，其中傅里叶变换是非常重要的一环。单单只是会使用OpenCV里面的库函数，感觉是远远不够的，所以对傅里叶变换进行了研究。无意间发现了原来作者的一篇技术博客，看完以后，醍醐灌顶。在此给大家分享一下。我主要修改了两个地方：1）文章中卖萌的语句，我给删除了，可能是我欣赏不来。2）文章中一些动图，我给做了显示。      原文链接如下：https://zhuanlan.

http://blog.csdn.net/linmingan/article/details/51194187注：文章中有一两处公式错误，（1）辅助角公式中求幅值应该是平方开根号，（2）sin（）函数的欧拉表示公式中，应该是除以2i。本文参考的博客[1]:http://www.360doc.com/content/13

这篇博客只是记录下本人学习KCF算法数学推导的过程，方便以后查看，内容来源于论文和博客(见：Reference)原文：http://blog.csdn.net/zengdong_1991/article/details/61429376Reference[2015 P