KCF原理学习

最新推荐文章于 2024-04-29 10:16:52 发布

_helen_520

最新推荐文章于 2024-04-29 10:16:52 发布

阅读量1.5k

点赞数 1

分类专栏：背景建模与前景提取

本文链接：https://blog.csdn.net/haronchou/article/details/109745991

版权

31 篇文章 21 订阅

订阅专栏

0. 目标跟踪综述类文章

https://zhuanlan.zhihu.com/p/95499141 CVer的推荐2019年的综述性文章

A Review of Visual Trackers and Analysis of its Application to Mobile Robot 2019年10月，中国矿业大学
- intro: 本目标跟踪综述共含185篇参考文献！从传统方法到最新的深度学习网络
- arXiv: https://arxiv.org/abs/1910.09761
Deep Learning in Video Multi-Object Tracking: A Survey 2019年10月
- intro: 38页目标跟踪综述，含30多种主流算法，共计174篇参考文献
- arXiv: https://arxiv.org/abs/1907.12740
Deep Learning for Visual Tracking: A Comprehensive Survey 2019年12月

https://www.zhihu.com/question/355566860 2019年，计算机视觉领域，你推荐哪些综述性的文章？

A Review of Visual Trackers and Analysis of its Application to Mobile Robot 阅读笔记如下

----------------------------------------------------------------------------

资源：

----------------------------------------------------------

（1）目标函数：假设是一个线性回归，回归问题。用的线性表示来近似Y，这是最小二乘的角度。同时也可以写为：，其中，即每一行为一个样本，列为特征维度。
- 若X为n*N维度，则W为N*1维度，Y=n*1维度。所以W是表示特征维度的权重，即每一个特征所占的权重是多少。
- 这个就是最小二乘正则化下的解析解。
（2）由于此处是用X的循环矩阵，即要将(x1,...xmn)平移mn次，即patch在整个patch里面全部平移一次，得到循环矩阵X。这个循环矩阵又可以用傅里叶基W来相似对角化。这个是循环矩阵的特殊性质，证明见1.1
（3）很重要的就是卷积性质的理解：由于x*y == FxFy，这要求时域卷积是循环卷积才行。所以还差一个循环。参见1.2部分循环卷积
（4）检测部分：我们用f(x)=xw，计算得到了w，也就是α。现在要用于检测：f(x)=zw，前面得到w，就得到了检测的公式

X可以表示成每一个元素的多项式形式，其中K为平移矩阵。P^TXP=diag(lambda_k)，因为K是初等矩阵，K可相似对角化，其特征值为lamba_k，特征向量为Dk，D的每一列都是Ｋ的特征向量。
而diag(\lambda_k)=Dx，计算了K的特征值，要计算X的特征值为Dx。
这个结果就是X可以用傅里叶来表示，其中x^是对角元是傅里叶变换。

（1）为什么会跟丢了？
- 原因一：patch太大了，padding=1.5，即patch为bounding box的2.5倍。由于初始化的第一帧中，背景的轮廓也较大，其HOG特征中背景占了主要部分，所以在做相关匹配时，跟踪在背景部分的响应大，就跟丢了。
  - 所以在padding改为1或者0.5时，有所缓解。初始化第一帧中，目标与背景的比例，目标的特征是否在第一帧中突出
- 改变二：将正则化参数从lambda=1e-5改为1e-1了，alphaf从200~300的峰值，下降到60~80的峰值，然后检测不太会丢。加大了惩罚，才让相关滤波的匹配不失效。
  - 在正则化中对参数的分析为：不加参数，是所有的特征向量具有相等的可能性（权重）；但加了参数后，奇异值较大的成分的权重要大一些，自然地进行了特征选择。若是lambda越大，则重要性越区域均等。加大了惩罚才能让正确的匹配起来，就是限制了权重的可取到的最大值，达到权重均分。不允许有过大的权重值。

关注

专栏目录