目标跟踪学习算法之二：DSST

版权声明：本文为博主原创文章，未经博主允许不得转载。

简介

       DSST(Accurate Scale Estimation for Robust Visual Tracking)在2014年VOT上夺得了第一名，算法简洁，性能优异，并且我上一篇所述的KCF夺得了第三名，两者都是基于滤波器的算法，这一年是CF义军突起的一年，值得研究这些相近的优秀算法。这篇算法是基于MOSSE的改进，突出内容是加入了尺度变换，下面开始逐一讲解算法内容。

相关滤波器

　　首先讲一下MOSSE提出的相关滤波器，从目标中提取一系列的图像patches,记为$f_1,f_2,...f_t$作为训练样本，其对应的滤波器响应值为一个个高斯函数$g_1,g_2,...g_t$,而目的就是找到满足最小均方差(Minimum Output Sum of Squared Error)的最优滤波器：

$$\varepsilon=\sum_{j=1}^{t}||h_t\ast f_j-g_j||^2=\frac{1}{MN}||H_tF_j-G_j||^2\tag{1}$$
其中第二个等号根据Parseval定理导出，等式左侧是空域的方程式，右侧是频域的方程式，正正是这个等式，使得我们将问题求解变换到频域里求解， $\varepsilon$的最小值在频域里的解如下：
$$H_t=\frac{\sum_{j=1}^{t}G_jF_j}{\sum_{j=1}^{t}F_jF_j}\tag{2}$$
一般而言， $g_j$可以是任意形状的输出，这里的输出 $g_j$是高斯型的函数，峰值位于中心处。这个方法的 技巧或者 目的在于：一是运算简洁，基本都是矩阵运算；二是引入快速傅里叶(FFT)大大加快运算效率。这即是相关滤波器被应用在Tracking并获得较好效果的原因，满足了对速度的一大需求。
在得到上述相关滤波器后，对于新的一帧中的候选输入样本z,求相关得分y：

y=F−1(