KCF算法的一些概念理解

KCF论文及源码下载:点击打开链接

首先有一些关于循环矩阵的性质和计算必须要理解：

循环矩阵的傅里叶对角化：点击打开链接

接下来是SVM中的岭回归和核函数的一些东西：点击打开链接

KCF高速跟踪详解：1：点击打开链接  2：点击打开链接

另外，还有一些基本的概念的东西，例如PCA降维，HOG特征，LAB颜色特征，这里简单记录一下我的对这几个概念的理解，毕竟面试可能会考

HOG（Histogram of Oriented Gradient）特征

参考：点击打开链接

拿这篇博客参考，它是用来表示图像的局部特征的一种特征。。。。

步骤：颜色空间归一化—>梯度计算—>梯度方向直方图—>重叠块直方图归一化—>HOG特征

首先进行一个对图像的预处理，转化为灰度图，然后调整图像的亮度（Gamma校正），接下来对颜色空间归一化之后的图像，求取梯度和梯度的方向，

接下来就求取梯度方向直方图，以下说的都是拿上述博客中举例，实际的cell和block的大小并不一定

将图像中8*8大小的像素块作为一个cell，每个cell内统计梯度直方图，并且将梯度方向（0-360）划分为九个，作为直方图的横轴，角度范围内对应梯度的累加值作为直方图的纵轴，对于一份图像，先将宽和高都变成可以被8整除的数值，之后，按照8*8划分为一个个不重叠的cell，每2*2个cell作为一个block，不同的block之间是有重叠部分的，接下来对这个block的进行归一化，将所有的block特征组合起来，就形成了一个比较大的特征向量，这就是HOG特征

PCA（Principal Component Analysis）降维

参考（最好在手机微信上打开，网页打开加载不了图片）：点击打开链接

说白了，就是把高维度的数据降低成低维度的数据，同时，在降低数据维度的过程中（把数据往某一个轴上投影），尽量使数据包含的信息不丢失，它是通过方差的大小衡量信息的保留程度，即使变换后数据的方差的值最大，首先我们要对数据的每一个属性减去它们的均值，使得属性的均值为0（例如所有的温度），

对于第一个投影轴（方向），就是使它们的数据的每一个属性的方差最大，接下来每个方向的选取，都要与之前方向所组成的空间正交（不同属性之间的相关性就为0了），并且使那个属性的方差尽可能大。。。。。。这里就要用到“协方差矩阵”这东西，就是将协方差矩阵，经过矩阵变换之后使之对角化，说到底，就是协方差矩阵的特征值分解

LAB

参考：点击打开链接

实际上就是一种新的颜色空间，主要是亮度、a、b两个颜色通道构成，人眼看东西的时候，首先是明暗，其次是色彩，LAB和这个比较类似