FCT跟踪算法总结

原文：http://blog.csdn.net/lijinjyan/article/details/41439887

文章：Fast comprissive tracking

作者：Kaihua Zhang, Lei Zhang, and Ming-Hsuan Yang

来源：PAMI

这篇文章已经读过好多遍了，每次读都有不同的收获，近期老师要求讲文章，又将这篇文章读了一遍，稍微做一下总结。

该文章早前就有一片会议文章，这篇文章较会议文章的区别有两点：

（1）   由粗到精的搜索策略，大大提高了算法的运行速度。

（2）   引入了尺度变换

FCT最主要的特点就是简单，它是一种基于分类的跟踪算法。和大多数分类模型一样，选择特征训练分类器，然后再上一帧目标周围采样，得到候选图像片，然后用分类器对所有候选图像片进行分类，得到分类器响应最大的图像片即当前帧跟踪目标的位置。

FCT算法的整体流程图如下：

该算法最大的贡献是提出了CT特征（压缩感知特征）。这也是和其他基于分类的算法的最根本区别。下面描述下CT特征的构造。

对于一个高维的m维特征x，我们可以通过一个n*m的矩阵R将其变换成一个低维的n维特征v；用到的变化公式如下：
v=R*x

那么这里m,n,以及矩阵R是什么时候时，才能限度的保留原始特征向量X中的所有信息。压缩感知理论解决了这些问题。

压缩感知理论说明：如果一个信号是K稀疏的，我们可以通过少数的几个测量近乎完美的恢复出稀疏信号。这是压缩跟踪的基本理念。

我们希望通过映射矩阵R，当将信号X映射到V后，保留X中的所有显著信息，也就是保留任意两对共享K个基的K稀疏信号的距离，表达式如下：

这就是压缩感知理论中的限制性等距约束，当矩阵R为一个元素是从标准正态分布，对称二项分布和傅里叶矩阵中采样的随机矩阵时，满足上述性质。

CT特征中R的选择

一个满足限制性等距约束的典型测量矩阵是随机高斯矩阵，然后该矩阵式稠密的，需要存储大量的矩阵元素，并且计算比较耗时。在本文中采用一个非常稀疏的随机测量矩阵，矩阵元素如下：

对于一个图像片，我们将其与一个多尺度滤波器组进行卷积，得到一个图像片的多尺度特征表示，然后采用随机测量矩阵R对该特征表示进行映射，得到一个低维的特征表示。这里采用的矩形滤波器组为：

在整个计算过程中，随机测量矩阵R是离线计算的并且保持不变。并且我们只需要存储R中的非零元素，和相应的矩形滤波器的位置和尺度。

同时，作者证明了得到的CT特征是尺度不变的，证明如下：

通过上述描述，应该对特征的构造有了一个简单的了解，特征选择好以后就要进行分类器的选择。

分类器的选择

这里选择最简单的朴素贝叶斯分类器，由于映射后的特征各元素间是相互独立，并且服从高斯分布，因此不用估计协方差矩阵，只需要计算方差向量和均值向量就可以了。这可以通过最大似然估计得到，计算公式如下：

同时，为了应对目标外观的变化，我们需要对分类器进行更新，更新公式如下：

这样，当完成当前帧图像的跟踪后，我们在目标周围采集一些正样本，在远离目标中心的地方采集一些负样本，然后计算其压缩域的特征向量，对分类器进行更新。

提升CT性能的两个策略

（1）   由粗到精的搜索策略

为了提高FCT的速度和性能，这里采用了一种由粗到精的搜索策略，而不是穷尽搜索。首先，在一个较大的搜索半径内选择一个较大的搜索步长，得到一个粗糙的位置，然后以该位置为中心，在一个小的搜索范围内，以一个小的搜索步长进行搜索，最后得到跟踪目标的位置。

（2）   多尺度

前边已经证明CT特征具有尺度不变特性，在这里，为了提升算法应对尺度变化的性能，在采集图像片的时候增加的尺度因子。就是在采集候选图像片的时候，在同一位置，采集三个尺度下的候选图像片，分别为：（1-deta）s，s，（1+deta）s。这样可以得到当前帧的尺度。对于尺度的更新，这里每5帧更新一次。

最后，算法的整体流程如下：

项目地址：https://github.com/alphonso64/FCTDemo

这个是windows版本的，

http://www.pudn.com/downloads648/sourcecode/graph/texture_mapping/detail2633976.html

这个有图片资料，matlab的代码。