目标检测之CSK(Exploiting the Circulant Structure of Tracking-by-detection with Kernels)

开始之前，需要了解一下傅立叶变换和卷积之间的关系:

公式中：$x_t,y_t$分别为随时间变化的信号，假设$x_t=sin(t),y_t=cos(t)$。$x_t$和$y_t$的卷积，可以看做一个新的关于$t$的函数。因此其傅立叶变换也是一个关于频率$f$的函数。
$$\mathcal{F}(x_t)=X(f)$$
$$\mathcal{F}(y_t)=Y(f)$$
从上推导过程可以看出来，两个函数的卷积可以看做两个函数在傅立叶域的积，$X(f)$和$Y(f)$分别为两个关于频率$f$的函数，因此直接相乘即可。

最后，可以看出

$$x(t)\ast y(t)={\mathcal{F}}^{-1}(X(f)Y(f))$$

---

本文¹在MOSSE²的基础上，引入了Dense Sampling的采样方法和核函数。

接下来按照论文的顺序进行分析

摘要

主要介绍了创新点的来源

1.介绍

这部分介绍了目标跟踪的相关研究内容，主要提出了Dense Sampling。

这是论文中的稠密采样（本文中提及的Dense Sampling）和随机采样的比较，随机采样是在target的附近随机的采集p个子框。稠密采样是采集所有的子框用来训练。那么稠密采样就带来了如何数据量大的问题，这将导致计算量大的问题，为了解决这个问题，本文将相关滤波的过程放在了傅立叶空间中进行计算，并且引入了核函数。这使得稠密采样的速度遥遥领先于随机采样。
随机采样的代码可以在MOSSE的代码³中发现，下面是随机采样的代码

def _rand_warp(self,img):
    '''
    该函数对第一帧的目标框进行随机重定位，刚性形变，减轻漂移。
    '''
    h, w = img.shape[:2]
    C = .1
    ang = np.random.uniform(-C, C). # 生成一个随机数
    c, s = np.cos(ang), np.sin(ang)
    # 根据随机数生成一个随机的仿射变换矩阵
    W = np.array([[c + np.random.uniform(-C, C), -s + np.random.uniform(-C, C), 0],
                  [s + np.random.uniform(-C, C), c + np.random.uniform(-C, C), 0]])
    center_warp = np.array([[w / 2], [h / 2]])
    tmp = np.sum(W[:, :2], axis=1).reshape((2, 1))
    W[:, 2:] = center_warp - center_warp * tmp
    warped = cv2.warpAffine(img, W, (w, h), cv2.BORDER_REFLECT)
    return warped

2. 稠密采样的学习

2.1 正则化风险最小值

这部分使用了核函数，参考核技巧(Kernel trick)解析
和【从入门到放弃】线性回归

2.2 循环矩阵

2.3 稠密采样的核矩阵

---

1. Exploiting the Circulant Structure of Tracking-by-detection with Kernels ↩︎

2. Visual Object Tracking using Adaptive Correlation Filters ↩︎

3. MOSSE算法的源码 ↩︎