作者个人主页:http://www4.comp.polyu.edu.hk/~cslzhang/CT/CT.htm
Real-time Compressive Tracking(CT)算法特点是实现非常简单,主要多一些积分运算,提取类似于haar-like这种特征,再通过简单的朴素贝叶斯分类器实现一个discriminative model。因此运算速度非常快,效果也挺不错的,但是相对于那些复杂的跟踪算法比如Struck、VTS、TLD等还是准确度低一些。
一、准备工作
1)随机映射
理想情况下,我们希望矩阵R保持所有原始信号之间的距离不变。JohnsonLindenstrauss引理指出,如果特征被投影到合适维度的随机子空间,那么向量空间中的点的距离以大概率保持不变。Baraniuk等人指出满足JohnsonLindenstrauss定理的随机矩阵也具有压缩感知中的限制等距性质。所以,如果随机矩阵R满足JohnsonLindenstrauss定理,当x是音频或图像这种压缩信号时,我们就很可能以很小的误差从v重建x。可以保证v保留了x几乎所有信息。这个强有力的理论支持促使我们通过低维随机映射来分析高维信号。在算法中,我们使用一个非常稀疏的矩阵,不仅满足JohnsonLindenstrauss定理,而且可以高效地计算以满足实时跟踪。
2随机测量矩阵
一个典型的满足限制等距性质的测量矩阵是随机高斯矩阵。然而,由于矩阵是稠密的,存储和计算负荷比较大。本文采用一个非常稀疏的随机测量矩阵,定义为: