目标跟踪之相关滤波：CF及后续改进篇

一. 何为相关滤波？

       Correlation Filter 最早应用于信号处理，用来描述两个信号之间的相关性，或者说相似性（有点像早期的概率密度），先来看定义：

       对于两个数据 f 和 g，则两个信号的相关性（correlation）为：

            

       其中 f∗ 表示 f 的 复共轭，这是和卷积的区别（相关性 与 卷积 类似，区别就在于里面的共轭）。

           PS：复共轭是指 实部不变，虚部取反 (a + b i)* = a - b i；  共轭矩阵是指 矩阵转置后再对每个元素求共轭，不理解的童鞋请查阅百科。

二.  CF 在图像的引入 － MOSSE

       可以参考经典论文 MOSSE （Minimum Output Sum of Squared Error filter）

       论文下载：visual object tracking using adaptive correlation filters

       对于图像来讲，问题描述为要找到一个 滤波模版 h，与输入图像 f 求相关性，得到相关图 g。

        

       为了方便理解，用一幅图来进行说明（相关图 g 描述目标响应，越接近时值越大）：

        

       为了加快计算速度，这里引入了傅里叶变换，根据卷积定理（correlation版本）可知，函数互相关的傅里叶变换等于函数傅里叶变换的乘积：

          

       通过上面的公式，将复杂的互相关计算转换成 点乘。注意后面的 F（h） 是共轭，与卷积不同，公式可以简化描述为：

        

       H* 就是我们要求的滤波器，MOSSE 提出的方法就是 最小化平方和误差，也就是针对m个样本 求最小二乘，描述为：