SAMF算法是对KCF的改进，通过结合灰度、HOG和CN特征实现多特征融合，以增强跟踪性能。同时，它使用多尺度搜索策略，在每个帧中对比7个不同尺度的候选目标，选择响应值最高的作为当前目标。虽然这种方法提高了跟踪效果，但速度相对较慢，大约为7FPS。相比KCF，减少尺度数量和增大尺度步长能显著提升跟踪速度。
SAMF是在KCF的基础上改进的，采用多特征(灰度,Hog,CN)融合。Hog特征与CN特征能够实现互补(颜色与梯度))。并且采用多尺度搜索策略。
多特征融合
文章中的多特征融合就是简单的矢量叠加，公式如下：
x是传统KCF算法中提取的单独特征，而Xc中是三种特征的混合。算法相当于将三种特征进行简单的矢量叠加。
多尺度
它的思想很简单，就是在比较的阶段对候选区域的目标做七个尺度的计算，与上一帧目标进行比较，其响应值最大的作为当前帧中的目标。
样本的尺度为（即加入padding后的样本）。
定义一个尺度池为，里面包含尺度因子。源代码中选择了1.005间隔的7个尺度因子（DSST为33个）。
再利用双线性插值法使得各个尺度的样本变成与初始样本ST一致的大小。不同尺度因子的样本图如下所示：
最低0.47元/天 解锁文章
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
