【目标跟踪】KCF高速跟踪详解

Henriques, João F., et al. “High-speed tracking with kernelized
correlation filters.” Pattern Analysis and Machine Intelligence, IEEE
Transactions on 37.3 (2015): 583-596.

本文的跟踪方法效果甚好，速度奇高，思想和实现均十分简洁。其中利用循环矩阵进行快速计算的方法尤其值得学习。另外，作者在主页上十分慷慨地给出了各种语言的实现代码。
本文详细推导论文中的一系列步骤，包括论文中未能阐明的部分。请务必先参看这篇简介循环矩阵性质的博客。

思想

一般化的跟踪问题可以分解成如下几步：

1. 在$I_t$帧中，在当前位置$p_t$附近采样，训练一个回归器。这个回归器能计算一个小窗口采样的响应。
2. 在$I_{t+1}$帧中，在前一帧位置$p_t$附近采样，用前述回归器判断每个采样的响应。
3. 响应最强的采样作为本帧位置$p_{t+1}$。

循环矩阵表示图像块

在图像中，循环位移操作可以用来近似采样窗口的位移。

训练时，围绕着当前位置进行的一系列位移采样可以用二维分块循环矩阵$X$表示，第ij块表示原始图像下移i行右移j列的结果。类似地，测试时，前一帧结果附近的一系列位移采样也可以用$X$表示。

这样的$X$可以利用傅里叶变换快速完成许多线性运算。

线性回归训练提速

此部分频繁用到了循环矩阵的各类性质，请参看这篇博客。
线性回归的最小二乘方法解为：
$$w={\left(X^{H}X+\lambda I\right)}^{-1}{X}^{H}y$$

根据循环矩阵乘法性质，$X^{H}X$的特征值为$\hat{x}\odot {\hat{x}}^{\ast }$。$I$本身就是一个循环矩阵，其生成向量为$[1,0,0...0]$，这个生成向量的傅里叶变换为全1向量，记为$\delta$。
$$w={\left(Fdiag(\hat{x}\odot {\hat{x}}^{\ast })F^H+\lambda Fdiag(\delta )F^H\right)}^{-1}{X}^{H}y$$

$$={\left(Fdiag(\hat{x}\odot {\hat{x}}^{\ast }+\lambda \delta )F^H\right)}^{-1}{X}^{H}y$$

根据循环矩阵求逆性质，可以把矩阵求逆转换为特征值求逆。
$$w=F\cdot diag\left(\frac{1}{\hat{x}\odot {\hat{x}}^{\ast }+\lambda \delta }\right)\cdot F^H{X}^{H}y$$

$$w=F\cdot diag\left(\frac{1}{\hat{x}\odot {\hat{x}}^{\ast }+\lambda \delta }\right)\cdot F^H\cdot Fdiag({\hat{x}}^{\ast })$$