ICCV2017跟踪算法BACF原理及代码解析

最新推荐文章于 2024-03-26 07:30:32 发布

博博有个大大大的Dream

最新推荐文章于 2024-03-26 07:30:32 发布

阅读量8.6k

点赞数 3

分类专栏：目标跟踪文章标签：目标跟踪相关滤波 BACF ICCV

本文链接：https://blog.csdn.net/qq_17783559/article/details/83688454

版权

目标跟踪专栏收录该内容

56 篇文章

订阅专栏

本文深入解析了BACF(BACKground-Aware Correlation Filters)视觉跟踪算法的原理，该算法结合了MCCF多通道特征和CFLB循环移位滤波器，通过ADMM算法求解优化问题，实现了背景感知的目标跟踪。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

文章和代码下载地址：

Galoogahi H K, Fagg A, Lucey S. Learning Background-Aware Correlation Filters for Visual Tracking.

代码下载地址：http://www.hamedkiani.com/bacf.html

BACF就是将MCCF多通道特征应用到CFLB上，然后通过ADMM求解。

MCCF，CFLB和BACF都是同一个作者写的2333333。

MCCF原理参考：ICCV2013跟踪算法MCCF原理及代码解析_博博有个大大大的Dream-CSDN博客

CFLB原理参考：CVPR2015跟踪算法CFLB原理及代码解析_博博有个大大大的Dream-CSDN博客

首先回顾CFLB提出滤波器最小化岭回归问题：

$E(h) = \frac{1}{2}\sum\limits_{i = 1}^N\sum\limits_{j = 1}^T {||y_i(j) - {h^{\rm T}P{x_i}[\Delta {\tau _j}]} ||_2^2} + \frac{\lambda }{2}||{h}||_2^2$

循环移位后的 $x[\Delta _j]$ 与 $h$ 的点乘来表示卷积。 $\rm T$ 表示转置， $N$ 表示输入了多少张图片来训练，一般是通过仿射扰动产生的几张，相关滤波算法很多改进版本 $N$ 直接设为1。 $D$ 为输入训练滤波器图像的大小， $T$ 是整帧图像大小。 $P$ 是表示矩阵，大小为 $D\times T$ ，中间 $D$ 个元素是1，边上的都是0，用于把信号 $x$ 的中间 $D$ 的元素提取出来。

BACF就是将多通道（HOG）特征应用到CFLB：

$E(h) = \frac{1}{2}\sum\limits_{j = 1}^T {||y(j) - \sum_{k=1}^{K}{h_k^{\rm T}P{x_k}[\Delta {\tau _j}]} ||_2^2} + \frac{\lambda }{2}\sum_{k=1}^{K}||{h_k}||_2^2$

就是将CFLB的 $N$ 设置为1，然后加入了多通道特征（HOG）， $P$ 的操作过程如下图所示：

构造了一个辅助变量 $\hat g$ 转到傅里叶域：

$\begin{array}{l} E(h,\hat g) = \frac{1}{2} {||\hat y- \hat X\hat g ||_2^2} + \frac{\lambda }{2}||{h}||_2^2 \\ \;\;\;\;\;\;\;\;s.t. \hat g=\sqrt{T}(FP^{\rm T}\otimes I_K)h \end{array}$

其中， $\hat X = [diag{({\hat x_1})^{\rm{T}}},...,diag{({\hat x_K})^{\rm{T}}}]$ ， $h = {[h_1^{\rm{T}},...,h_K^{\rm{T}}]^{\rm{T}}}$ ， $\hat g = {[\hat g_1^{\rm{T}},...,\hat g_K^{\rm{T}}]^{\rm{T}}}$ 。再看看CFLB的傅里叶域公式：

$\begin{array}{l} E(h,\hat g) = \frac{1}{2}\sum\limits_{i = 1}^N\ {||\hat y_i - diag{(\hat x_i)}^{\rm T}\hat g ||_2^2} + \frac{\lambda }{2}||{h}||_2^2 \\ \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;s.t. \hat g=\sqrt{D}FP^{\rm T}h \end{array}$